論文の概要: Benchmarking Vision-Language Models for Urdu Nastaliq Handwriting Recognition

• arxiv url: http://arxiv.org/abs/2611.01635v1
• Date: Sun, 01 Nov 2026 06:39:14 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:24:45.06606
• Title: Benchmarking Vision-Language Models for Urdu Nastaliq Handwriting Recognition
• Title（参考訳）: Urdu Nastaliq手書き文字認識のためのベンチマークビジョン言語モデル
• Abstract要約: 手書きのUrduは、カーシブなNastaliqスクリプトには固定されたベースラインがなく、明確な文字境界がないため、認識が難しい。 我々はUrdu Nastaliqの手書きデータセットで6つのシステムをベンチマークした。 どちらの商用VLMも、印刷されたUrdu認識器やオープンソースのVLMよりもエラーが少ない。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Handwritten Urdu is hard to recognize because the cursive Nastaliq script has no fixed baseline and no clear character boundaries. We benchmark six systems on the Urdu Nastaliq Handwritten Dataset (UNHD): Tesseract (default configuration), a script-specific recognizer trained on printed Urdu (UTRNet-Large), two open-source vision-language models (VLMs), and two commercial VLMs. All six systems are evaluated without fine-tuning on 2,465 single-line images (Part A), and the four VLMs receive the same fixed prompt (decoding uses temperature 0 where configurable, except for Claude Sonnet 5, whose decoding cannot be configured). Both commercial VLMs reach lower error than the printed-Urdu recognizer and the open-source VLMs. We do not compare against handwriting-trained recognizers, which would likely do better in-domain; we characterize zero-shot behavior, not state of the art. We also describe three distinct failure modes among the ranked systems. In one of them, a commercial model explicitly declines to transcribe a few very hard-to-read images instead of guessing. In a second study (Part B), VLMs correct the output of a separate OCR system using both the source image and the noisy text. Once separated from each model's own reading ability, the benefit is small on Tesseract's output (0.7% to 7.4%) and larger (17.9% and 21.9%) only for the two commercial correctors given UTRNet's text. It appears to depend on how legible the supplied text already is, and a weaker corrector can make a more legible text worse.
• Abstract（参考訳）: 手書きのUrduは、カーシブなNastaliqスクリプトには固定されたベースラインがなく、明確な文字境界がないため、認識が難しい。 Urdu Nastaliq Handwriting Dataset (UNHD): Tesseract (デフォルト設定)、Urdu (UTRNet-Large)でトレーニングされたスクリプト固有の認識器、2つのオープンソースビジョン言語モデル(VLM)、2つの商用VLM。 6つのシステムはいずれも2,465枚のシングルラインイメージを微調整せずに評価され(パートA)、4つのVLMは同じ固定プロンプトを受信する(デコードでは、クロードソネット5を除いて設定可能な温度0を使用するが、デコードは設定できない)。 どちらの商用VLMも、印刷されたUrdu認識器やオープンソースのVLMよりもエラーが少ない。 手書き学習された認識器との比較は行いませんが、ドメイン内では改善される可能性があり、最先端ではなく、ゼロショットの振る舞いを特徴付けています。 また、ランク付けされたシステム間で3つの異なる障害モードについても記述する。 そのうちの1つでは、商業モデルは、推測する代わりに、非常に読みにくい画像の書き起こしを明示的に減らしている。 第2の研究(パートB)では、VLMはソース画像とノイズテキストの両方を用いて別のOCRシステムの出力を補正する。 一度各モデルの読み取り能力から分離すると、テッセラクトの出力(0.7%から7.4%)は小さめで、17.9%と21.9%)は、UTRNetのテキストを与えられた2つの商業用修正器に限られる。 供給されたテキストの正当性に依存しているようで、より弱い修正器はより正当性のあるテキストを悪化させる可能性がある。

関連論文リスト

• VLMs Read Aloud: The Gap Between Recognizing and Using Visual Text [0.0]
  視覚言語モデル(VLM)は、画像語のテキストを単語に書き起こすことができ、それに対してまだ答えられていない。 我々は,証拠や言語トークンの発見と認識に視覚的解決に費やすALOUDを提案する。 Qwen3-VL-8Bの圧縮長は5倍、圧縮長は10倍である。
  論文  参考訳（メタデータ） (2026-11-01T03:51:38Z)
• All-in-One Multilingual Scene Text Recognition with Script-aware Mixture-of-Experts [50.30361657201582]
  既存のソリューションでは、言語ごとに1つの認識器をデプロイし、コストを膨らませ、エラーの蓄積を導入するか、巨大な視覚言語モデル(VLM)に依存している。 本研究では,言語ごとのエキスパートよりもシンプルで,VLMよりも軽量で,両者よりも正確であるオールインワンな多言語認識手法を提案する。 まず,10のスクリプトと229の言語にまたがる大規模な合成シーンテキストデータセットであるTextMuSS-10Mを構築した。 次に,スクリプト対応Mixture-of-Experts (MoE)アーキテクチャであるScriptMoEを提案する。
  論文  参考訳（メタデータ） (2026-09-21T03:34:56Z)
• BanglaWild: An In-the-Wild Bengali Scene Text Recognition Benchmark for OCR and Vision-Language Models [0.0]
  ベンガルの2,535のシーンテキスト画像のベンチマークであるBANGLAWILDを紹介する。 15個のVLMと3つの従来のOCRシステムの評価を行った。 以上の結果から,同族内の大モデルがより小さいモデルよりも優れていないという,永続的なギャップが明らかとなった。
  論文  参考訳（メタデータ） (2026-08-04T16:20:53Z)
• GlotOCR Bench: OCR Models Still Struggle Beyond a Handful of Unicode Scripts [58.92151016423978]
  我々は100以上のUnicodeスクリプトでOCRを評価する総合ベンチマークであるGlotOCR Benchを紹介する。 我々のベンチマークは、実際の多言語テキストからレンダリングされたクリーンで劣化した画像の変種で構成されている。 オープンウェイトでプロプライエタリなビジョン言語モデルを幅広く評価した結果,ほとんどの場合,10文字未満でうまく動作することがわかった。
  論文  参考訳（メタデータ） (2026-04-14T17:12:41Z)
• From Press to Pixels: Evolving Urdu Text Recognition [0.0]
  本稿では,ウルドゥー語新聞における光学文字認識(OCR)のエンドツーエンドパイプラインについて紹介する。 複雑なマルチカラムレイアウト、低解像度スキャン、およびNastaliqスクリプトのスタイリスティックなバリエーションによって引き起こされる課題に対処する。 セグメンテーションにYOLOv11xを微調整し,記事に0.963の精度,コラムに0.970の精度を実現した。
  論文  参考訳（メタデータ） (2025-05-20T05:22:17Z)
• Can Vision-Language Models Evaluate Handwritten Math? [17.350707580013054]
  FERMATは、手書きコンテンツのエラーを検出し、ローカライズし、修正するVision-Language Modelsの能力を評価するために設計されたベンチマークである。 我々は、エラー検出、ローカライゼーション、修正の3つのタスクにまたがる9つのVLMをベンチマークする。 Gemini-1.5-Proは誤り訂正率が最も高い。
  論文  参考訳（メタデータ） (2025-01-13T11:52:55Z)
• Exploring the Role of Transliteration in In-Context Learning for Low-resource Languages Written in Non-Latin Scripts [50.40191599304911]
  非ラテン文字で書かれた低リソース言語に対するLLMの性能向上にも効果があるか検討する。 本稿では,(1) の原文,(2) ラテン文字,(3) の両文を対象とする3つのプロンプトテンプレートを提案する。 本研究の結果から,翻訳の有効性はタスクタイプやモデルサイズによって異なることが明らかとなった。
  論文  参考訳（メタデータ） (2024-07-02T14:51:20Z)
• Revisiting the Role of Language Priors in Vision-Language Models [90.0317841097143]
  視覚言語モデル(VLM)は、微調整なしで、ゼロショット方式で様々な視覚的理解タスクに適用される。 我々は、画像から次の単語を生成するために訓練された$textitgenerative VLMs$について研究する。 画像テキスト検索の図解的タスクにおけるゼロショット性能を,8つの人気のある視覚言語ベンチマークで検証する。
  論文  参考訳（メタデータ） (2023-06-02T19:19:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。