論文の概要: AmbiHTMLBench: A Benchmark for HTML-based Visually Rich Document parsing

• arxiv url: http://arxiv.org/abs/2611.06449v1
• Date: Wed, 04 Nov 2026 12:51:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:58.112106
• Title: AmbiHTMLBench: A Benchmark for HTML-based Visually Rich Document parsing
• Title（参考訳）: AmbiHTMLBench: HTMLベースのビジュアルリッチドキュメント解析のためのベンチマーク
• Abstract要約: このベンチマークでは、実世界のドキュメントが与えられた場合、モデルは、そのコンテンツ、組織、視覚的外観を保存する実行可能なHTMLを復元する必要がある。 表現が編集可能で、検査可能で、再利用可能なままでなければならない不均一で、レイアウトに敏感なドキュメントには、HTMLが有利であることを示す。
• 参考スコア（独自算出の注目度）: 20.27525378809374
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional document parsing systems use Markdown as their output representation, which is effective for linear text but does not fully preserve fine-grained spatial structure, table geometry, visual hierarchy, or rendering semantics. We show that HTML is advantageous for heterogeneous and layout-sensitive documents whose representations must remain editable, inspectable, and reusable, and introduce AmbiHTMLBench to systematically study this setting. In this benchmark, given a real-world document, a model must recover executable HTML that preserves its content, organization, and visual appearance. The benchmark contains 1,115 diverse pages with structured annotations and evaluates predictions in two different ways: The objective protocol aligns ground-truth and predicted rendered blocks and measures table fidelity, page-level text error, and a two-dimensional layout consistency; a complementary reference-anchored protocol measures perceived fidelity by aligning LLM judges with human preferences. Across ten primary multimodal systems, the best objective score is 0.8092, while the subjective winner is different, demonstrating that automatic decomposition and human-perceived fidelity capture complementary properties. We further fine-tune a small-parameter expert model and find that task-specific adaptation yields good performance on document-to-HTML reconstruction task. These results position AmbiHTMLBench as a diagnostic testbed for building smarter and more logical document parsing systems.
• Abstract（参考訳）: 従来の文書解析システムでは、マークダウンを出力表現として使用しており、これは線形テキストに有効であるが、微細な空間構造、テーブル幾何学、視覚的階層、あるいはセマンティクスを十分に保存していない。 我々は、HTMLが編集可能で、検査可能で、再利用可能でなければならない不均一で、レイアウトに敏感な文書にとって有利であることを示し、この設定を体系的に研究するためにAmbiHTMLBenchを紹介した。 このベンチマークでは、実世界のドキュメントが与えられた場合、モデルは、そのコンテンツ、組織、視覚的外観を保存する実行可能なHTMLを復元する必要がある。 このベンチマークは、構造化アノテーション付き1,115の多様なページを含み、予測を2つの異なる方法で評価する: 客観的なプロトコルは、地上の真実と予測された予測されたブロックを整列し、テーブルの忠実さ、ページレベルのテキストエラー、および2次元レイアウトの整列を測定する。 一方、主観的勝者は、自動分解と人間の知覚的忠実度が相補的な特性を捉えていることを示す。 さらに小パラメータのエキスパートモデルを微調整し、タスク固有の適応が文書からHTMLへの再構成タスクに優れたパフォーマンスをもたらすことを確かめる。 これらの結果は、AmbiHTMLBenchを、よりスマートで論理的な文書解析システムを構築するための診断テストベッドとして位置づけている。

関連論文リスト

• DocLayout-YOLO: Axis-Attentive Document Layout Detector with Mesh-Guided Synthetic Pretraining [30.519289487212976]
  Doc-YOLOは、合成文書事前学習とページ軸コンテキストモデリングを統合した文書特化リアルタイム検出器である。 結果:Doc-YOLOは、文書レイアウト解析において、より優れた精度-効率トレードオフを確立する。
  論文  参考訳（メタデータ） (2026-10-20T13:11:41Z)
• RT-DocLayout: Real-Time End-to-End Document Layout Analysis with Reading Order in the Wild [14.715243408844058]
  文書レイアウト解析のための高効率なエンドツーエンドフレームワークRT-Docを提案する。 提案モデルは,レイアウト要素の分類,画素レベルのセグメンテーション,幾何学的順序順予測を統一する。 RT-Docは、フルドキュメントの再構築品質を大幅に改善し、現実世界の文書インテリジェンスシステムのスケーラブルで実用的な基盤を提供する。
  論文  参考訳（メタデータ） (2026-06-22T13:48:39Z)
• MPDocBench-Parse: Benchmarking Practical Multi-page Document Parsing [74.84107522458798]
  MPDocBench-Parseは、現実世界のアプリケーションにおけるマルチページ文書解析のためのベンチマークである。 433の注釈付き文書に3,246ページあり、英語と中国語の15種類の文書を網羅しており、レイアウトは様々である。
  論文  参考訳（メタデータ） (2026-05-21T07:36:41Z)
• Multimodal OCR: Parse Anything from Documents [72.69545534962234]
  dots.mocrは、チャート、ダイアグラム、テーブル、アイコンなどのビジュアル要素を第一級解析ターゲットとして扱う。 テキストとグラフィックの両方を構造化出力として再構築し、より忠実なドキュメント再構築を可能にする。 不均一なドキュメント要素に対するエンドツーエンドのトレーニングをサポートする。
  論文  参考訳（メタデータ） (2026-03-13T14:42:21Z)
• UniRec-0.1B: Unified Text and Formula Recognition with 0.1B Parameters [55.34921520578968]
  視覚言語モデル(VLM)は、テキストと公式の統一的な認識を実現している。 パラメータが0.1Bしか持たない統一認識モデルUniRec-0.1Bを提案する。 文字、単語、行、段落、文書など、複数のレベルでテキストや公式の認識を行うことができる。
  論文  参考訳（メタデータ） (2025-12-24T10:35:21Z)
• DOCR-Inspector: Fine-Grained and Automated Evaluation of Document Parsing with VLM [35.910677096654574]
  文書解析は、構造化されていないPDF画像を半構造化データに変換することを目的としており、多様な領域における情報のデジタル化と活用を容易にする。 一般的なプラクティスは、しばしば標準ベンチマークで最高のパフォーマンスモデルを選択する。 本稿では,文書解析評価をきめ細かな誤り検出と解析として形式化するDOCR-Inspectorを紹介する。
  論文  参考訳（メタデータ） (2025-12-11T13:16:33Z)
• 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)

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。