論文の概要: OCR in the Foundation Model Era: From Specialist Models to Unified Models
- arxiv url: http://arxiv.org/abs/2611.04874v1
- Date: Tue, 03 Nov 2026 13:27:22 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-04 17:35:22.205311
- Title: OCR in the Foundation Model Era: From Specialist Models to Unified Models
- Title（参考訳）: ファンデーションモデル時代のOCR:スペシャリストモデルから統一モデルへ
- Abstract要約: 光文字認識(OCR)は、人工知能の最も古く広く使われている応用の一つである。
本調査は,基礎モデル時代を中心に,OCRの発展を概観するものである。
- 参考スコア（独自算出の注目度）: 80.2240893051421
- License:
- Abstract: Optical Character Recognition (OCR) is among the oldest and most widely deployed applications of artificial intelligence. This survey reviews its development, focusing on the Foundation Model Era. We define OCR through faithful transcription: within a specified visual scope, OCR should completely reconstruct the text, notation, and document structure observable in the source image, and every textual, notational, or structural element in the output must be verifiable from visual evidence in that image. We trace the development from specialist OCR models toward unified models, examining joint text detection and recognition, structured sequence generation, and the use of pretrained vision-language models (VLMs). We organize contemporary OCR systems into five coexisting families: modular toolkits and task-specific models, specialized document VLMs, hybrid workflows, general-purpose VLMs, and commercial products and managed services. We compare their architectures, data, and training, examining hallucination and omission, insufficient spatial grounding, and inference cost in generative OCR. We review evaluation from character and scene text recognition to parsing individual structural elements and full-page transcription, highlighting gaps in consistent output definitions, attribution of performance to individual components, and coverage of real capture conditions and visible content and structure. Finally, we summarize the challenges facing OCR and discuss directions for future research. We continuously track related work at https://github.com/zhihengli-casia/Awesome-OCR-in-the-Foundation-Model-Era.
- Abstract（参考訳）: 光文字認識(OCR)は、人工知能の最も古く広く使われている応用の一つである。
本調査は,基礎モデル時代を中心に,その展開を概観するものである。
特定の視覚範囲内で、OCRは、元の画像で観察可能なテキスト、表記、文書構造を完全に再構築し、出力のすべてのテキスト、表記、構造要素は、その画像の視覚的証拠から検証されなければならない。
我々は,専門的なOCRモデルから統一モデルへの展開,共同テキストの検出と認識,構造化シーケンス生成,事前学習された視覚言語モデル(VLM)の利用などについて追跡した。
我々は,現代のOCRシステムを,モジュールツールキットとタスク固有モデル,特殊なドキュメントVLM,ハイブリッドワークフロー,汎用VLM,商用製品とマネージドサービスという,共存する5つのファミリーに編成する。
我々は,それらのアーキテクチャ,データ,トレーニングを比較し,幻覚,排便,空間的接地不足,生成性OCRの推論コストを比較した。
文字とシーンのテキスト認識から、個々の構造要素と全ページの書き起こしのパース、一貫した出力定義におけるギャップの強調、個々のコンポーネントへのパフォーマンスの寄与、実際のキャプチャ条件と可視コンテンツと構造へのカバレッジまでの評価をレビューする。
最後に,OCRが直面する課題をまとめた上で,今後の研究の方向性について述べる。
関連研究はhttps://github.com/zhihengli-casia/Awesome-OCR-in-Foundation-the-Foundation-Model-Eraで継続的に追跡しています。
関連論文リスト
- PolyOCR-Venus: Unified OCR Foundation Models for Text-Centric Visual Intelligence [29.84455120572156]
我々は、様々なスケールの統一OCR基礎モデルのファミリーであるPolyOCRを提案する。
PolyOCRは、共有命令フォローフレームワークと、異種視覚リソースを品質検証OCR監視に変換する大規模なデータエンジンを組み合わせる。
また,OCRBench v2.1はOCRBench v2の改訂版であり,手作業による校正補正とタスク整合評価指標を備えている。
論文 参考訳（メタデータ） (2026-09-29T14:43:48Z) - MonkeyOCR v1.5 Technical Report: Unlocking Robust Document Parsing for Complex Patterns [80.05126590825121]
MonkeyOCR v1.5は、レイアウト理解とコンテンツ認識の両方を強化する統合ビジョン言語フレームワークである。
複雑なテーブル構造に対処するために,視覚的整合性に基づく強化学習手法を提案する。
2つの特別なモジュール、Image-Decoupled Table ParsingとType-Guided Table Mergingを導入し、テーブルの信頼性の高いパースを可能にする。
論文 参考訳（メタデータ） (2025-11-13T15:12:17Z) - DianJin-OCR-R1: Enhancing OCR Capabilities via a Reasoning-and-Tool Interleaved Vision-Language Model [9.557159109747372]
大型視覚言語モデル(LVLM)は、入力画像に存在しない単語を生成する幻覚を引き起こす傾向がある。
DianJin-OCR-R1は、ドメイン固有のデータセットに基づいて訓練された推論とツールをインターリーブしたVLMである。
論文 参考訳（メタデータ） (2025-08-18T03:28:57Z) - VISTA-OCR: Towards generative and interactive end to end OCR models [3.7548609506798494]
VISTA-OCRは、単一の生成モデル内でテキストの検出と認識を統合する軽量アーキテクチャである。
エンコーダ-デコーダアーキテクチャに基づいて構築されたVISTA-OCRは、視覚的特徴抽出フェーズから始まり、徐々に訓練される。
モデルの性能を高めるために、バウンディングボックスアノテーションと合成サンプルで強化された実世界のサンプルからなる新しいデータセットを構築した。
論文 参考訳（メタデータ） (2025-04-04T17:39:53Z) - QID: Efficient Query-Informed ViTs in Data-Scarce Regimes for OCR-free Visual Document Understanding [53.69841526266547]
トレーニング済みのVision-Language Modelを新しいデータセットで微調整することは、ビジョンエンコーダの最適化に不足することが多い。
視覚エンコーダにクエリの埋め込みを統合する,新しい,合理化されたアーキテクチャ保存アプローチであるQIDを導入する。
論文 参考訳（メタデータ） (2025-04-03T18:47:16Z) - mPLUG-DocOwl: Modularized Multimodal Large Language Model for Document
Understanding [55.4806974284156]
文書理解とは、ウェブページのようなデジタル文書から自動的に情報を抽出し、分析し、理解することである。
既存のMLLM(Multi-model Large Language Models)は、浅いOCRフリーテキスト認識において、望ましくないゼロショット機能を実証している。
論文 参考訳（メタデータ） (2023-07-04T11:28:07Z) - Donut: Document Understanding Transformer without OCR [17.397447819420695]
我々は,OCRフレームワークを基盤にすることなく,エンドツーエンドのトレーニングが可能な新しいVDUモデルを提案する。
提案手法は,公開ベンチマークデータセットとプライベート産業サービスデータセットの各種文書理解タスクにおける最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2021-11-30T18:55:19Z)
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。