1 / 4
先に読む文献
ステップは読む順序です。研究上の因果関係や、問題の解決を意味しません。
研究 / 文献65件・4テーマ
問いの成り立ち。
いまどこまで来たか。
同じ文章でも、見た目が変わると、機械は同じ構造を読み取れるのでしょうか。四つの問いについて、文献から自分の実験までのつながりを示します。
- RAG
- 資料を検索して、その内容を根拠に回答を作る仕組みです。
- 根拠
- 回答のもとになる資料や記述です。
- 状態
- 規則が「現行」か「廃止」かといった情報です。
テーマ1は「開発段階の観察あり」です。テーマ2・3は「準備中」で、画像はありますがモデルの結果はありません。テーマ4は「候補」で未着手です。正式な結論はまだありません。
研究ノートを読む
文書を根拠に回答する仕組みで、必要な根拠が処理の途中で失われないかを研究しています。RAG は、関連資料を検索し、その内容を参照して回答する方法です。文書には、廃止された規則や例外条件が含まれることがあります。文字を読み取れても、規則の有効性や適用条件を取り落とすと、もっともらしい誤答につながります。同じ文章の状態表示や見た目を変え、検索・読解・根拠の選択のどの段階で違いが生じるかを分けて確かめることが狙いです。
- 候補候補となる問いです。実証作業は未着手です。
- 準備中設計や入力データはありますが、その問いに使える観察結果はまだありません。
- 開発時の観察あり限定的な開発結果や保存結果の分析があります。独立した正式な検証ではありません。
- 正式な結論正式な審査を経たものです。現在 0 件です。
研究マップを読み込んでいます…
研究マップを読み込んでいます…
01 上流の文献・関連
02 下流の文献・関連
03 つながる研究の問い
関係の根拠・限界・確かさ
出典と表示に使った情報
02候補テーマ
テーマごとの進捗・文献・実験・担当テーマ1 / 文献31件・研究の問い5件
テキスト・構造RAGにおける根拠の意味と構造の保持
- 問い
- 失効した規則と現行の規則が同じ文書に並ぶとき、検索は現行の規則を選べるのでしょうか。
- いま
- 合成した募集要項100文書・500断片で、状態表示を残す場合と消す場合の比較を準備しています。開発段階の小規模な観察はありますが、正式な結論はまだありません。
募集要項に「出願書類は 6 月 10 日必着（旧：6 月 4 日）」とあり、「今年の締切は？」と質問します。6 月 4 日が上位に来て採用されると、出典があっても誤答になります。
根拠は、ひとつのページに収まらない。
FIG. 03 / CROSS-PAGE本文の参照を見つける。P.04 の「別表B」が、次に読む場所を示します。
図の内容を文章で読む
- 本文の P.04 に「別表Bを参照する」と書かれています。
- 参照先は P.09 です。ページ番号と参照名を一緒に示します。
- P.09 の表と注記を併せて確認します。
- P.04 と P.09 の関係を、出典に戻れる経路としてまとめます。
自作資料を使った説明用のアニメーションです。再生・停止・コマ送りに対応し、自動再生はしません。モデルの実行や実験結果ではありません。 実際の画面では：J-Grad の「根拠へ戻る」 →
研究ノートを読む
なぜ 文字を読み取れても、有効・無効の区別が失われると、もっともらしい誤答につながります。
正しい状態や関係が、データ表現、文章の分割、検索を経ても欠けずに残るかを調べます。開発段階の限られた観察があります。
- ○ P021An Approach of Strike-Through Text Identification from Handwritten Documents 2014取り消し線で消された文字を分けて認識する研究です。根拠として使えるかは未検証です。
- ○ P026A study of handwritten text recognition with cross-out words 2026取り消し線の見た目が文字認識に与える影響を比較します。正しく読めても、有効な根拠とは限りません。
- ◇ T1-RQ1正しい状態情報を保つと、有効・失効した根拠の検索順位は変わるか無効であることを示す情報を残すと、検索順位が変わるかを問います。この段階では正式検証前です。
- □ E06状態情報の有無：attempt-005状態情報を残す場合と省く場合を小規模に比較します。この時点では開発段階の観察です。
- ○ P022WebSRC: A Dataset for Web-Based Structural Reading Comprehension 2021ウェブページの構造を含めて質問応答を評価する研究です。行内の状態情報を使う検索までは扱っていません。
- ○ P024MarkupLM: Pre-training of Text and Markup Language for Visually Rich Document Understanding 2022マークアップ構造をモデルの表現に取り込む研究です。行内の状態情報が検索に役立つかは未検証です。
- ○ P025Intelligent Predictive Maintenance RAG framework for Power Plants: Enhancing QA with StyleDFS and Domain Specific Instruction Tuning 2024文書のブロック階層を、分割や質問応答に使う研究です。より細かな意味関係は未検証です。
- ◇ T1-RQ4分割後も、条件・参照・状態と本文の関係を漏れなく検索できるか分割後も、条件・参照・状態の関係を漏れなく検索できるかを問います。未検証です。
- □ E11正解の関係を与えた場合の確認資料文脈全体で関係を確認した資料はあります。関係を検索できるかは未検証です。
方向と進捗
テーマ1は、文字を正しく取り出し、規則の状態も分かっているところから始めます。その情報を文書の分割や検索の途中で保てるかが問いです。現行の規則と失効した規則を区別し、条件や例外を含む根拠を漏れなく選べるかを調べます。小さな候補集合での開発段階の観察はありますが、全ての資料を候補にした検索の効果や、分割をまたぐ関係の保持はまだ確かめられていません。
文献
まずParseBenchで文字と書式を分けて評価する考え方を見ます。次にStyleDFSで構造を検索につなぐ流れを見ます。最後に取り消し線で消された手書き文字の認識研究を読みます。読めることと根拠として使えることは別問題です。MarkupLMとFontHaluも補助になります。
実験と報告
状態を残す場合と消す場合、状態を入れ替える場合などの小規模な開発比較があります。保存結果から、候補があること、状態が合うこと、必要な根拠を選び切ることを分けて点検しています。資料全体を候補とした検索の改善や未知の文書への有効性は未検証です。
- ◇ T1-RQ1 正しい状態情報を保つと、有効・失効した根拠の検索順位は変わるか開発時の観察あり □ E01 E02 E03 E04 E06 E08 E10
- ◇ T1-RQ2 状態の入れ替えや同義表現の後も、モデルは質問で要求された状態に従うか開発時の観察あり □ E04 E07 E09
- ◇ T1-RQ3 適用条件・本文の関連性・0/1/2件の根拠選択をどう区別するか開発時の観察あり □ E05 E06 E07 E09
- ◇ T1-RQ4 分割後も、条件・参照・状態と本文の関係を漏れなく検索できるか準備中 □ E11
- ◇ T1-RQ5 現行・失効・日付による適用条件・直前の版をどう定義するか開発時の観察あり □ E12
自分の担当
研究の方向と公開範囲は私が判断し、AI は文献と保存結果の整理を補助する分担です。設計・実装・採点の個別担当は報告から特定できないため、私の単独実績とは記していません。
テーマ2 / 文献25件・研究の問い2件
視覚テキスト理解における失敗要因の切り分け
- 問い
- 同じ文章を画像として見せたとき、モデルは文字を読めなかったのでしょうか。それとも、読めても答えを間違えたのでしょうか。
- いま
- 10例・20枚の画像・50件の入力を準備しました。モデルはまだ実行していません。
同じ段落を文字と文字の画像で渡します。答えが変わったら、さらに転写だけを求め、文字を読み取れていたかを確かめます。
研究ノートを読む
なぜ この二つを分けないと、OCR と推論のどちらを改善すべきか分かりません。
文字を読み取れない場合と、正しく読めても回答を間違える場合の違いを調べます。入力は準備済みですが、モデルの結果はまだありません。
- ○ P008OCRBench: on the hidden mystery of OCR in large multimodal models 2024画像内の文字の読み取りを切り出して評価する研究です。書体の変化は統制していません。
- ○ P009Exploring the Capabilities of Large Multimodal Models on Dense Text 2024文字の多い画像で質問応答を評価する研究です。同じ内容のテキスト版との比較はありません。
- ○ P011ReadBench: Measuring the Dense Text Visual Reading Ability of Vision-Language Models 2025同じ内容のテキストと画像で理解の差を比べる研究です。差の原因は、まだ切り分ける必要があります。
- ○ P012VISTA-Bench: Do Vision-Language Models Really Understand Visualized Text as Well as Pure Text? 2026内容をそろえたまま描画条件を変える研究です。生じた差がどの誤りに由来するかは、検討が必要です。
- ○ P013Reading, Not Thinking: Understanding and Bridging the Modality Gap When Text Becomes Pixels in Multimodal LLMs 2026文字の読み取り・計算・推論の誤りを分ける研究です。読み取りと回答の誤りの量的な関係は、まだ解明されていません。
- ◇ T2-RQ1文字の読み取りと回答の失敗はどう重なるか文字の読み取りの失敗が、回答の誤りにどうつながるかを問います。モデルの回答はまだありません。
- □ E13T2：視覚診断の開発入力画像と質問は準備済みです。モデルの結果はまだ得られていません。
方向と進捗
テーマ2は、文章を画像にしたときの失敗を分けて考えるための補助テーマです。文字そのものを読めなかったのか、読めても答えを誤ったのかを区別します。同じ内容の文字版と画像版を比べ、文字の大きさや画像処理の負担が結果を変えないよう条件をそろえる計画です。現在は入力の準備中で、モデルの回答はありません。幅広い新手法の開発より、失敗を説明するための枠組みとして位置付けています。
文献
ReadBenchで同じ内容の文字と画像の比較をつかみ、VISTA-Benchで描画条件の違いを見ます。次にReading, Not Thinkingで失敗の種類を整理します。Glyphは、画像の処理量もそろえる必要を考えるための補助文献です。
実験と報告
同じ文章を通常と小さな文字で描いた入力と、回答用・読字確認用の問いを準備しました。画像のはみ出し等は機械的に確認しましたが、人が読みやすさを確認した記録はありません。モデルは未実行で、読字や回答の成績はまだありません。
- ◇ T2-RQ1 文字の読み取りと回答の失敗はどう重なるか準備中 □ E13
- ◇ T2-RQ2 視覚入力のコストをそろえても、書体・描画による差は残るか準備中 □ E13
自分の担当
AI が文献マップと準備状況を整理しました。画像作成や実装を誰が担当したかは、今回の報告だけでは確定できません。私の設計・実装・評価の実績は、作業記録を確認してから記載します。
テーマ3 / 文献29件・研究の問い2件
タイポグラフィの変化に対するページ単位の画像検索の安定性
- 問い
- 同じページでも、書体を変えるだけで検索順位は変わるのでしょうか。
- いま
- 10 ページを 3 書体で描画しました。検索順位の比較はこれから行います。
「出願資格」の同じ文章を明朝・ゴシック・UD 書体で描き、同じ質問で検索します。
研究ノートを読む
なぜ 内容とは無関係な書体の違いが、検索の安定性に影響するかを確かめたいと考えています。企業文書では、作成者によって書体が異なる場合があります。
同じページの文字の見せ方を変えると、ページ検索の安定性が変わるかを調べます。画像は準備済みですが、検索結果はまだありません。
- ○ P038Unifying Multimodal Retrieval via Document Screenshot Embedding 2024ページのスクリーンショットを使う検索の研究です。書体の変化は系統的に統制していません。
- ◇ T3-RQ1同じページの書体を変えると、検索スコア・順位・上位K件の保持は変わるか同じページの書体を変えると順位が変わるかを問います。検索結果はまだありません。
- □ E14T3：書体と検索の開発この段階では、ページと入力の準備までです。埋め込みや順位の結果はまだありません。
方向と進捗
テーマ3は、同じページの書体だけを変えたとき、関連資料の検索順位が動くかを問います。内容に加え、改行、配置、読みやすさ、画像処理の負担をできるだけそろえます。ページを一つのまとまりとして比べる方法と、文字や領域の細かな対応を使う方法を比べる計画です。今は比較用のページ画像と入力を準備した段階で、検索結果はありません。違いが小さい場合も、その条件を記録する方針です。
文献
Document Screenshot Embeddingでページ画像の検索をつかみ、ColPaliで細かな対応を使う検索を見ます。次にVision-Text Augmentationで文字の見た目を変える比較軸を確認します。この順番は読書案内で、研究の発展順ではありません。
実験と報告
同じ内容を複数の書体で描いたページと、対応する検索入力を準備しました。改行や位置は共有していますが、実際のモデル処理量は未計測です。モデルによるページの処理や検索順位の比較はまだ行っておらず、書体の影響や方式間の優劣は述べられません。
- ◇ T3-RQ1 同じページの書体を変えると、検索スコア・順位・上位K件の保持は変わるか準備中 □ E14
- ◇ T3-RQ2 同じ入力のばらつきを超える差はあるか、検索方式によって異なるか準備中 □ E14
自分の担当
AI が先行研究の対応付けと準備状況の説明を補助しました。私と AI の実装分担は、資料だけでは分かりません。検索モデルを自作した、比較評価を終えたという実績は記載していません。
テーマ4 / 文献38件・研究の問い2件
受動的なタイポグラフィと根拠の取捨選択
- 問い
- 必要な根拠をすべて読み取れる状態でも、太さや大きさで目立つ方を根拠として選んでしまうのでしょうか。
- いま
- 候補テーマです。実験は未着手で、観察もまだありません。
本則の「TOEIC 600 点以上」を太字にし、例外の「数学系は 700 点」を小さく添えます。文字の大きさや太さを変えたとき、数学系への回答も変わるかを比較したいと考えています。実験はまだ始めていません。説明用の例です。
研究ノートを読む
なぜ 例外が小さな注記にあると、目立つ本則だけを拾う仕組みは、例外の対象者に誤答するおそれがあります。
文書にもともとある文字の目立ち方によって、実際に依拠する根拠が変わるかを調べます。実験はまだ始めていません。
- ○ P047Magnifying What Matters: Attention-Guided Adaptive Rendering for Visual Text Comprehension 2026選んだ部分を拡大して読解を助ける研究です。文書にもともとある目立ち方の影響は未検証です。
- ◇ T4-RQ1もともとの目立ち方は、規則・例外への依存と回答を変えるかもともとの文字の目立ち方で、規則と例外の使い方が変わるかを問います。実験は未着手です。
- □ E15T4：もともとの文字の目立ち方文書にもともとある目立ち方を比べる実験案です。観察や結論はまだありません。
方向と進捗
テーマ4は、規則や例外が全て読める状態でも、文字の目立ち方によって使われる根拠が変わるかを問う候補です。質問に合わせて重要箇所を探して拡大する方法とは区別し、最初からある見た目の違いを対象にします。内容や位置、画像処理の負担をそろえる必要があり、見たことと実際に依拠したことの区別も課題です。実験は未着手で、この現象の有無を示す観察もありません。
文献
Seeing but Not Believingで、注目しても正答とは限らない点を押さえます。次にMagnifying What Mattersで能動的な拡大を見ます。最後にDocAttriBenchで、根拠を隠して依存を調べる考え方を確認します。
実験と報告
実験はまだ始めていません。規則と例外の目立ち方を入れ替え、回答と根拠への依存を確かめる案だけがあります。読みやすさや画像処理の負担をそろえる方法、依存を測る方法も未確定です。効果があるとも、ないとも述べられません。
- ◇ T4-RQ1 もともとの目立ち方は、規則・例外への依存と回答を変えるか候補 □ E15
- ◇ T4-RQ2 根拠を隠す比較で、実際の依存と単なる注目を区別できるか候補 □ E15
自分の担当
AI が先行研究、候補の問い、未実施項目を整理しました。実験も評価も未着手です。私がどの設計作業を完了したかは、現資料では特定できないため、追加の作業記録で確認します。
65文献
書誌情報を掲載しています。PDF や図版は掲載しません。本文の読了・検証状況は別に管理しています。| ID | 題名 | 著者 | 年 | テーマ | |
|---|---|---|---|---|---|
| P001 | A Study of Style Effects on OCR Errors in the MEDLINE Database · Proceedings of SPIE-IS&T Electronic Imaging, Vol. 5676 書体のスタイルと医学文献の文字認識エラーとの関係についての記録です。 | Penny Garrison; Diane Davis; Tim Andersen; Elisa Barney Smith | 2005 | T1 T2 | [DOI] →1 |
| P002 | Text Degradations and OCR Training · Eighth International Conference on Document Analysis and Recognition, ICDAR 2005 印刷やスキャンによる劣化が文字認識の学習にどう影響するかについての記録です。 | Elisa H. Barney Smith; Tim Andersen | 2005 | T1 T2 | [DOI] |
| P003 | A Study on the Accuracy of OCR Engines for Source Code Transcription from Programming Screencasts · 17th International Conference on Mining Software Repositories, MSR 2020 コードのスクリーンショットにおける書体、文字サイズ、文字認識エンジンの比較についての記録です。 | Abdulkarim Khormi; Mohammad Alahmadi; Sonia Haiduc | 2020 | T1 T2 | [DOI] →2 |
| P004 | Texture or Semantics? Vision-Language Models Get Lost in Font Recognition · Conference on Language Modeling, COLM 2025 画像と言語を扱うモデルが書体を識別する際、見た目の質感と文字の意味をどう区別するかについての記録です。 | Zhecheng Li; Guoxian Song; Yujun Cai; Zhen Xiong; Junsong Yuan; Yiwei Wang | 2025 | T1 T2 T3 T4 | [arXiv] →1 |
| P005 | OmniDocBench: Benchmarking Diverse PDF Document Parsing with Comprehensive Annotations · IEEE/CVF Conference on Computer Vision and Pattern Recognition, CVPR 2025；材料给出的论文页码为 24838–24848（待原文核实）。 さまざまなPDF 文書の解析課題における評価と正解データの付与についての記録です。 | Linke Ouyang（仅材料提供的第一作者；完整作者名单未提供） | 2025 | T1 T2 T4 | [DOI] →1 |
| P006 | How does Watermarking Affect Visual Language Models in Document Understanding? · Conference on Language Modeling, COLM 2025 透かしが加わった文書の理解をどう評価するかについての記録です。 | Chunxue Xu; Yiwei Wang; Bryan Hooi; Yujun Cai; Songze Li | 2025 | T1 T2 T3 T4 | [arXiv] |
| P007 | When Good OCR Is Not Enough: Benchmarking OCR Robustness for Retrieval-Augmented Generation · ACL 2026, Industry Track 文字認識の誤りが検索や回答にどう波及するかについての記録です。 | Lin Sun; Wangdexian; Jingang Huang; Linglin Zhang; Change Jia; Zhengwei Cheng; Xiangzheng Zhang | 2026 | T1 T2 T4 | [DOI] |
| P008 | OCRBench: on the hidden mystery of OCR in large multimodal models · Science China Information Sciences, Volume 67, Article 220102 画像内の文字を認識するマルチモーダルモデルの評価についての記録です。 | Yuliang Liu, Zhang Li, Mingxin Huang, Biao Yang, Wenwen Yu, Chunyuan Li, Xu-Cheng Yin, Cheng-Lin Liu, Lianwen Jin, Xiang Bai | 2024 | T2 T3 T4 | [DOI] →2 |
| P009 | Exploring the Capabilities of Large Multimodal Models on Dense Text · arXiv マルチモーダルモデルが密に並んだ文字を読み取る能力についての記録です。 | Shuo Zhang, Biao Yang, Zhang Li, Zhiyin Ma, Yuliang Liu, Xiang Bai | 2024 | T2 T3 T4 | [arXiv] →1 |
| P010 | OCRBench v2: An Improved Benchmark for Evaluating Large Multimodal Models on Visual Text Localization and Reasoning · NeurIPS 2025, Datasets and Benchmarks Track 文字の位置の特定や推論に評価を広げる際の課題についての記録です。 | Ling Fu, Zhebin Kuang, Jiajun Song, Mingxin Huang, Biao Yang, Yuzhe Li, Linghao Zhu, Qidi Luo, Xinyu Wang, Hao Lu, Zhang Li, Guozhi Tang, Bin Shan, Chunhui Lin, Qi Liu, Binghong Wu, Hao Feng, Hao Liu, Can Huang, Jingqun Tang, Wei Chen, Lianwen Jin, Yuliang Liu, Xiang Bai | 2025 | T2 T3 T4 | [DOI] |
| P011 | ReadBench: Measuring the Dense Text Visual Reading Ability of Vision-Language Models · arXiv 長く密に並んだ文章が画像として示された場合の読み取りについての記録です。 | Benjamin Clavié, Florian Brand | 2025 | T2 T3 T4 | [arXiv] →1 |
| P012 | VISTA-Bench: Do Vision-Language Models Really Understand Visualized Text as Well as Pure Text? · arXiv 同じ内容を画像またはテキストで入力した際の理解の違いについての記録です。 | Qing'an Liu, Juntong Feng, Yuhao Wang, Xinzhe Han, Yujie Cheng, Yue Zhu, Haiwen Diao, Yunzhi Zhuge, Huchuan Lu | 2026 | T2 T3 T4 | [arXiv] →1 |
| P013 | Reading, Not Thinking: Understanding and Bridging the Modality Gap When Text Becomes Pixels in Multimodal LLMs · arXiv 文字を画素で表した場合の、読み取り能力と推論能力の違いについての記録です。 | Kaiser Sun, Xiaochuang Yuan, Hongjun Liu, Chen Zhao, Cheng Zhang, Mark Dredze, Fan Bai | 2026 | T2 T3 T4 | [arXiv] |
| P014 | OCR Hinders RAG: Evaluating the Cascading Impact of OCR on Retrieval-Augmented Generation · ICCV 2025 文字認識の誤りが検索や回答に及ぼす連鎖的な影響についての記録です。 | Junyuan Zhang, Qintong Zhang, Bin Wang, Linke Ouyang, Zichen Wen, Ying Li, Ka-Ho Chow, Conghui He, Wentao Zhang | 2025 | T2 T3 T4 | |
| P015 | FADE: Probing the Limits of VLMs on fine-grained OCR · 4th Workshop on Advances in Language and Vision Research (ALVR), ACL 2026 文字を細部まで認識する能力の限界についての記録です。 | Deep Shah, Nehal Kathrotia, Sanket Badhe | 2026 | T2 T3 T4 | [DOI] |
| P016 | Reading ≠ Seeing: Diagnosing and Closing the Typography Gap in Vision-Language Models · arXiv 画像と言語を扱うモデルにおける、書体の知覚と文字の読み取りの隔たりについての記録です。 | Heng Zhou, Ao Yu, Li Kang, Yuchen Fan, Yutao Fan, Xiufeng Song, Hejia Geng, Yiran Qin | 2026 | T2 T3 T4 | [arXiv] |
| P017 | Glyph: Scaling Context Windows via Visual-Text Compression · ACL 2026, Main Conference, Long Papers 長いテキストを画像に変換して入力を圧縮する際の課題についての記録です。 | Jiale Cheng, Yusen Liu, Xinyu Zhang, Yulin Fei, Wenyi Hong, Ruiliang Lyu, Weihan Wang, Zhe Su, Xiaotao Gu, Xiao Liu, Yushi Bai, Jie Tang, Hongning Wang, Minlie Huang | 2026 | T2 T3 T4 | [DOI] →2 |
| P018 | FocusVTC: Efficient and High-Performance Visual Text Compression with Adaptive Resolution · arXiv 解像度を適応的に調整して画像内の文字を圧縮する際の課題についての記録です。 | FangZhi Zhong, Xuerui Qiu, Yuqi Pan, Ya Liu, Shaowei Gu, Bo Xu, Guoqi Li | 2026 | T2 T3 T4 | [arXiv] |
| P019 | Same Semantics, Different Outcome: On the Modality Robustness of Multimodal LLMs under Knowledge Conflict · Findings of EMNLP 2026 知識が食い違う状況で、同じ内容を異なる形式で入力した際の一貫性についての記録です。 | Jungyeon Lee, Yejin Yoon, Taeuk Kim | 2026 | T2 T3 T4 | [arXiv] |
| P020 | Identifying Subscripts and Superscripts in Mathematical Documents · Mathematics in Computer Science 数学文書における上付き文字と下付き文字の認識についての記録です。 | Walaa Aly, Seiichi Uchida, Masakazu Suzuki | 2008 | T1 T4 | [DOI] |
| P021 | An Approach of Strike-Through Text Identification from Handwritten Documents · 14th International Conference on Frontiers in Handwriting Recognition, ICFHR 2014；材料给定论文整体出版页码为 643–648（待原文核实） 手書き文書における取り消し線付き文字の認識についての記録です。 | Chandranath Adak, Bidyut B. Chaudhuri | 2014 | T1 T4 | [DOI] →1 |
| P022 | WebSRC: A Dataset for Web-Based Structural Reading Comprehension · EMNLP 2021 ウェブページの構造を踏まえた読解のデータと課題についての記録です。 | Xingyu Chen, Zihan Zhao, Lu Chen, Jiabao Ji, Danyang Zhang, Ao Luo, Yuxuan Xiong, Kai Yu | 2021 | T1 T4 | [DOI] →1 |
| P023 | Information Extraction from Visually Rich Documents with Font Style Embeddings · 26th International Conference on Pattern Recognition, ICPR 2022 書体のスタイルを表す情報が文書からの情報抽出で果たす役割についての記録です。 | Ismail Oussaid, William Vanhuffel, Pirashanth Ratnamogan, Mhamed Hajaiej, Alexis Mathey, Thomas Gilles | 2022 | T1 T4 | [DOI] [arXiv] |
| P024 | MarkupLM: Pre-training of Text and Markup Language for Visually Rich Document Understanding · ACL 2022 テキストとウェブページのマークアップを一緒にモデル化する際の課題についての記録です。 | Junlong Li, Yiheng Xu, Lei Cui, Furu Wei | 2022 | T1 T4 | [DOI] →1 |
| P025 | Intelligent Predictive Maintenance RAG framework for Power Plants: Enhancing QA with StyleDFS and Domain Specific Instruction Tuning · EMNLP 2024 Industry Track 発電所の資料における書式の階層に基づく分割と質疑応答についての記録です。 | Seongtae Hong, Joongmin Shin, Jaehyung Seo, Taemin Lee, Jeongbae Park, Manyoung Cho, Byeongho Choi, Heuiseok Lim | 2024 | T1 T4 | [DOI] →1 |
| P026 | A study of handwritten text recognition with cross-out words · International Journal on Document Analysis and Recognition 取り消し線で消された単語を含む手書きテキストの認識についての記録です。 | Gayan H. Pathirage, Simon Corbillé, Filip Wåhlin, Nazrul Islam, Elisa H. Barney Smith | 2026 | T1 T4 | [DOI] |
| P027 | FontHalu: Font-based Hallucinations in Multimodal Large Language Models · OpenReview public manuscript；正式 peer-reviewed venue 待核实。 書体の変化によるマルチモーダルモデルの誤判断をどう評価するかについての記録です。 | — | 2026（仅材料归档年份；具体 OpenReview submission / version date 待核实） | T1 T4 | |
| P028 | ParseBench: A Document Parsing Benchmark for AI Agents · arXiv preprint AI エージェント向けの文書解析の評価課題についての記録です。 | — | 2026 | T1 T4 | [arXiv] |
| P029 | Leveraging Visual Tokens for Extended Text Contexts in Multi-Modal Learning · NeurIPS 2024, Main Conference Track 文字を視覚的に表して、扱えるテキストの文脈を広げる際の課題についての記録です。 | Alex Jinpeng Wang, Linjie Li, Yiqi Lin, Min Li, Lijuan Wang, Mike Zheng Shou | 2024 | T2 T3 T4 | [DOI] →2 |
| P030 | Vision-centric Token Compression in Large Language Model · NeurIPS 2025 Main Conference 視覚的な表現で言語モデルへの入力を圧縮する際の課題についての記録です。 | Ling Xing, Alex Jinpeng Wang, Rui Yan, Xiangbo Shu, Jinhui Tang | 2025 | T2 T3 T4 | [DOI] →2 |
| P031 | DeepSeek-OCR: Contexts Optical Compression · arXiv / DeepSeek technical release テキストの文脈を視覚的な表現に変換して圧縮する際の課題についての記録です。 | Haoran Wei, Yaofeng Sun, Yukun Li | 2025 | T2 T3 T4 | [DOI] [arXiv] →3 |
| P032 | VTCBench: Can Vision-Language Models Understand Long Context with Vision-Text Compression? · arXiv；作者材料标注 EMNLP 2026，来源材料未核实正式 proceedings 页面，本轮亦未独立核验。 画像内の文字を圧縮した後の、長い文脈の理解をどう評価するかについての記録です。 | Hongbo Zhao, Meng Wang, Fei Zhu, Wenzhuo Liu, Bolin Ni, Fanhu Zeng, Gaofeng Meng, Zhaoxiang Zhang | 2025 | T2 T3 T4 | [arXiv] →1 |
| P033 | Fico: Evaluating Vision-Language Models under Visual Fidelity and Compression at Scale · Findings of ACL 2026 見た目の再現度と圧縮の条件下でのモデル評価についての記録です。 | Jianhong Tu, Nicholas Crispino, Kyle Montgomery, Chenguang Wang, Dawn Song | 2026 | T2 T3 T4 | [DOI] →1 |
| P034 | Visual Text Compression as Measure Transport · NeurIPS 2026 accepted（来源材料称官方 event / download list 已列出对应标题；实验细节主要依据 arXiv version） 視覚テキストの圧縮表現と、その理論上の課題を扱う文献メモです。 | Lv Tang, Tianyi Zheng, Yang Liu, Bo Li, Xingyu Li | 2026 | T2 T3 T4 | [DOI] [arXiv] |
| P035 | Learning Transferable Visual Models From Natural Language Supervision · ICML 2021；Proceedings of Machine Learning Research, Volume 139 画像とテキストの共同学習で、互いに比較できる表現を作る課題を扱う文献メモです。 | Alec Radford; Jong Wook Kim; Chris Hallacy; Aditya Ramesh; Gabriel Goh; Sandhini Agarwal; Girish Sastry; Amanda Askell; Pamela Mishkin; Jack Clark; Gretchen Krueger; Ilya Sutskever | 2021 | T3 | |
| P036 | Disentangling Visual and Written Concepts in CLIP · CVPR 2022 視覚的な概念と文字で表された概念を区別する課題を扱う文献メモです。 | Joanna Materzyńska; Antonio Torralba; David Bau | 2022 | T3 | [DOI] |
| P037 | FontCLIP: A Semantic Typography Visual-Language Model for Multilingual Font Applications · Computer Graphics Forum, Volume 43, Issue 2 書体が伝える意味と、多言語にわたる書体表現を扱う文献メモです。 | Yuki Tatsukawa; I-Chao Shen; Anran Qi; Yuki Koyama; Takeo Igarashi; Ariel Shamir | 2024 | T3 | [DOI] |
| P038 | Unifying Multimodal Retrieval via Document Screenshot Embedding · EMNLP 2024 文書のスクリーンショットから得た表現を使う、マルチモーダル検索を扱う文献メモです。 | Xueguang Ma; Sheng-Chieh Lin; Minghan Li; Wenhu Chen; Jimmy Lin | 2024 | T3 | [DOI] |
| P039 | ColPali: Efficient Document Retrieval with Vision Language Models · ICLR 2025 画像と言語を組み合わせた表現で文書ページを検索する課題を扱う文献メモです。 | Manuel Faysse; Hugues Sibille; Tony Wu; Bilel Omrani; Gautier Viaud; Céline Hudelot; Pierre Colombo | 2025 | T3 | [arXiv] |
| P040 | VisRAG: Vision-based Retrieval-augmented Generation on Multi-modality Documents · ICLR 2025 根拠となる画像を直接検索し、回答に用いるアプローチを扱う文献メモです。 | Shi Yu; Chaoyue Tang; Bokai Xu; Junbo Cui; Junhao Ran; Yukun Yan; Zhenghao Liu; Shuo Wang; Xu Han; Zhiyuan Liu; Maosong Sun | 2025 | T3 | [arXiv] |
| P041 | Vision-Text Augmentation: Visual Composition as an Optimization Axis for Language Tasks · OpenReview anonymous manuscript / ACL submission 文字の見た目や配置の組み合わせが言語タスクに与える影響を扱う文献メモです。 | — | 2026 | T3 | |
| P042 | Enhancing Multimodal Product Retrieval in E-Commerce by Reversing Typographic Attacks · UniReps: The Third Edition of the Workshop on Unifying Representations in Neural Models 文字の見た目による妨害を利用して商品検索を改善する課題を扱う文献メモです。 | Janet Jenq; Hongda Shen | 2026 | T3 | |
| P043 | Reading Between the Pixels: Linking Text-Image Embedding Alignment to Typographic Attack Success on Vision-Language Models · ICLR 2026 Workshop on Agents in the Wild テキストと画像の表現を対応づけることと、文字を用いた視覚的な攻撃との関係を扱う文献メモです。 | Ravikumar Balakrishnan; Sanket Mendapara; Ankit Garg | 2026 | T3 | [arXiv] |
| P044 | DocVXQA: Context-Aware Visual Explanations for Document Question Answering · ICML 2025 文書質問応答で、文脈に応じた視覚的な説明を行う課題を扱う文献メモです。 | Mohamed Ali Souibgui; Changkyu Choi; Andrey Barsky; Kangsoo Jung; Ernest Valveny; Dimosthenis Karatzas | 2025 | T4 | |
| P045 | Seeing but Not Believing: Probing the Disconnect Between Visual Attention and Answer Correctness in VLMs · ICLR 2026 視覚的な注意の向きと回答の正しさが一致しない問題を扱う文献メモです。 | — | 2026 | T4 | |
| P046 | SciEGQA: A Dataset for Scientific Evidence-Grounded Question Answering and Reasoning 科学研究に関する質問応答で、回答を根拠に基づかせるためのデータを扱う文献メモです。 | — | 2026（来源登记年份；不据 arXiv 标识推定本卡具体实验版本或日期） | T4 | [arXiv] |
| P047 | Magnifying What Matters: Attention-Guided Adaptive Rendering for Visual Text Comprehension · NeurIPS 2026 注意に応じて一部を描画し、画像内の文字を読む課題を扱う文献メモです。 | Shenglai Zeng; Qirui Wang; Kai Guo; Xinnan Dai; Xianxuan Long; Hui Liu | 2026 | T4 | [arXiv] |
| P048 | Unveiling Inherent Visual Grounding in Multimodal LLMs for Text-Rich Images · Findings of ACL 2026 文字の多い画像で、モデルが視覚的な根拠の位置を特定する課題を扱う文献メモです。 | Shijie Zhou; Jihyung Kil; Ming Li; Jiuxiang Gu; Curtis Wigington; Rajiv Jain; Changyou Chen; Ruiyi Zhang | 2026 | T4 | [DOI] |
| P049 | DocVAL: Validated Chain-of-Thought Distillation for Grounded Document VQA · ICML 2026 検証済みの推論過程を使い、根拠に基づく文書質問応答を学習させる課題を扱う文献メモです。 | Pinaki Prasad Guha Neogi; Ahmad Mohammadshirazi; Ser-Nam Lim; Rajiv Ramnath | 2026 | T4 | |
| P050 | DocAttriBench: Benchmarking Answer Grounding in Document Visual Question Answering · BMVC 2026 文書質問応答の回答が実際に根拠で裏づけられているかを評価する課題を扱う文献メモです。 | Luca De Grandis; Silvia Cappelletti; William Raccagni; Marcella Cornia; Lorenzo Baraldi; Rita Cucchiara | 2026 | T4 | [arXiv] |
| P051 | Extracting the Latent Hierarchical Structure of Web Documents · Second International Conference on Signal-Image Technology and Internet-Based Systems（SITIS 2006）；后收入 Springer LNCS revised selected papers ウェブページの見た目から、隠れた論理的な階層を復元する課題を扱う文献メモです。 | Michael A. El-Shayeb; Samhaa R. El-Beltagy; Ahmed Rafea | 2006（来源登记的 SITIS conference 年；revised LNCS 实际出版年未知，不补猜） | T1 | [DOI] →2 |
| P052 | Logical Structure Recovery in Scholarly Articles with Rich Document Features · International Journal of Digital Library Systems, 1(4), 1–23 文書の特徴から学術論文の論理構造を復元する課題を扱う文献メモです。 | Minh-Thang Luong; Thuy Dung Nguyen; Min-Yen Kan | 2010 | T1 | [DOI] |
| P053 | Structure Extraction from PDF-based Book Documents · 11th ACM/IEEE-CS Joint Conference on Digital Libraries（JCDL 2011）, pp. 11–20 PDF 形式の書籍から文書構造を抽出する課題を扱う文献メモです。 | Liangcai Gao et al.（来源未给完整作者名单，不补全） | 2011 | T1 | [DOI] |
| P054 | Extracting Logical Hierarchical Structure of HTML Documents Based on Headings · Proceedings of the VLDB Endowment, 8(12), 1606–1617 見出しをもとにHTML 文書の階層を復元する課題を扱う文献メモです。 | Tomohiro Manabe; Keishi Tajima | 2015 | T1 | [DOI] |
| P055 | A Machine-Learning Based Approach for Extracting Logical Structure of a Styled Document · KSII Transactions on Internet and Information Systems, 11(2), 1043–1056 機械学習で、書式付き文書の論理構造を復元する課題を扱う文献メモです。 | Tae-young Kim et al.（来源未给完整作者名单，不补全） | 2017 | T1 | [DOI] |
| P056 | DocParser: Hierarchical Document Structure Parsing from Renderings · AAAI 2021, 35(5), 4328–4338 描画されたページから文書の階層構造を復元する課題を扱う文献メモです。 | Johannes Rausch; Octavio Martinez; Fabian Bissig; Ce Zhang; Stefan Feuerriegel | 2021 | T1 | [DOI] →1 |
| P057 | Extracting Variable-Depth Logical Document Hierarchy from Long Documents: Method, Evaluation, and Application · Journal of Computer Science and Technology, 37(3), 699–718 長い文書の深さが一定でない階層を復元する手法と、その応用を扱う文献メモです。 | Rong-Yu Cao; Yi-Xuan Cao; Gan-Bin Zhou; Ping Luo | 2022 | T1 | [DOI] |
| P058 | HRDoc: Dataset and Baseline Method toward Hierarchical Reconstruction of Document Structures · AAAI 2023, 37(2), 1870–1877 文書の階層構造を再構築するためのデータと、比較の基準となる手法を扱う文献メモです。 | — | 2023 | T1 | [DOI] →1 |
| P059 | DSG: An End-to-End Document Structure Generator · IEEE International Conference on Data Mining (ICDM 2023), 518–527 入力から文書構造の生成までを一貫して行う課題を扱う文献メモです。 | — | 2023 | T1 | [DOI] →1 |
| P060 | DocHieNet: A Large and Diverse Dataset for Document Hierarchy Parsing · EMNLP 2024 Main Conference, 1129–1142 文書の階層構造を解析するための、多様なデータを扱う文献メモです。 | — | 2024 | T1 | [DOI] |
| P061 | Detect-Order-Construct: A Tree Construction Based Approach for Hierarchical Document Structure Analysis · Pattern Recognition, Volume 156, Article 110836 要素の検出、順序付け、木構造の構築を通じて文書の階層を復元する課題を扱う文献メモです。 | Jiawei Wang; Kai Hu; Zhuoyao Zhong; Lei Sun; Qiang Huo | 2024 | T1 | [DOI] →1 |
| P062 | UniHDSA: A Unified Relation Prediction Approach for Hierarchical Document Structure Analysis · Pattern Recognition, Volume 165, Article 111617 関係を統一的に予測して文書の階層を復元する課題を扱う文献メモです。 | Jiawei Wang; Kai Hu; Qiang Huo | 2025 | T1 | [DOI] |
| P063 | Graph-based Document Structure Analysis · International Conference on Learning Representations (ICLR 2025) グラフ表現を使って文書構造を分析する課題を扱う文献メモです。 | Yufan Chen et al. | 2025 | T1 | |
| P064 | SuperRAG: Beyond RAG with Layout-Aware Graph Modeling · NAACL 2025 Industry Track, 544–557 レイアウト上の関係を表すグラフで、検索した根拠を整理する課題を扱う文献メモです。 | Chening Yang et al. | 2025 | T1 | [DOI] →1 |
| P065 | LAD-RAG: Layout-aware Dynamic RAG for Visually-Rich Document Understanding · ACL 2026 Main Conference, Long Papers, 15945–15968 ページをまたぐ関係と、根拠を動的に検索する課題を扱う文献メモです。 | Zhivar Sourati et al. | 2026 | T1 | [DOI] |
データの出典：research-map/nodes.jsonl・edges.jsonl（R が整理、2026-10-24 時点）。