OCR忠実度向上へ新手法GAD-RLを提案 Vision-languageモデルで
バオデ・ワン (Baode Wang) 氏らは2026年9月30日(現地時間)、ビジョン言語モデルにおけるOCR（光学文字認識）転写の忠実度を改善する新手法「GAD-RL」に関する論文をarXivで公開した。同手法は、ビジョン言語モデルが画像内の異常なテキストを言語的に妥当な表現に書き換えることで、OCR転写の忠実度が損なわれる問題に対処する。
Tag
#OCR
4 件の関連記事
アラビア語写本向け注釈パイプライン「RefLAM」 75倍高速化を実現
モハメド・ゲシャウイ氏らの研究チームは8月26日(現地時間)、歴史的なアラビア語写本向けに行レベルの注釈を自動化する新しいパイプライン「RefLAM (Reference-grounded Line Annotation for Manuscripts)」を発表した。このシステムは、手作業による注釈付けと比較して最大75倍のスループット向上を実現し、手書き文字認識 (HTR) のトレーニングデータ作成を効率化する。
Mistral AIが「Mistral OCR 4」発表、文書インテリジェンス強化へ
Mistral AIは2026年6月23日(現地時間)、バウンディングボックス、ブロック分類、インライン信頼度スコアを抽出テキストと共に出力する新OCRモデル「Mistral OCR 4」をリリースした。同モデルは170言語と10の言語グループに対応し、単一コンテナで自己ホスト型デプロイが可能。企業検索、RAG、ドメイン特化型検索パイプラインの取り込みコンポーネントとして利用できる。
文書AI運用化へマイクロサービス提案 OCRとLLM連携パイプライン最適化
arXiv cs.AIは2026年5月12日(UTC)付けで、文書AI（Document AI）システムを本番環境で運用化するためのマイクロサービスアーキテクチャに関する研究論文を発表した。同論文は、文書の分類、光学文字認識（OCR）、大規模言語モデル（LLM）を用いた構造化フィールド抽出など、複数のモデルパイプラインをカプセル化する設計を詳述している。これは、学術研究で生まれた先進技術と、実稼働環境での効率的かつ堅牢な実装との間のギャップを埋めることを主目的としている。