Khalil Hennara Muhammad Hreden Mohamed Motasim Hamed Ahmad Bastati Zeina Aldallal Sara Chrouf Safwan AlModhayan

要約

アラビア語文書のOCRは、連綿書体、多様なフォント、付加記号、右から左への書字方向など、言語特有の課題から、依然として困難なタスクである。近年のマルチモーダル大規模言語モデル（MLLM）は、リソース豊富な言語における文書理解の性能を大幅に向上させたが、アラビア語におけるその性能は依然として限定的である。本研究では、アラビア語文書OCRに特化して微調整された視覚言語モデル「Baseer」を提案する。合成文書と実世界文書を統合した大規模データセットを活用し、事前学習済みMLLMの一般視覚特徴を保持しつつ、デコーダーのみを用いた微調整戦略によりBaseerを学習した。さらに、アラビア語OCRシステムの厳密な評価を目的として、専門家による検証を経た高品質なベンチマーク「Misraj-DocOCR」を提供する。実験の結果、Baseerは既存のオープンソースおよび商用ソリューションを大きく上回り、文字誤り率（WER）0.25を達成し、アラビア語文書OCR分野における新たな最先端性能を確立した。本研究の結果は、汎用MLLMのドメイン特化型適応の有効性を示しており、アラビア語のような形態論的に豊かな言語における高精度OCRのための強力なベースラインを確立した。