本文へスキップ
ReviewRamble

週刊ブリーフ

AIのレビューを、あなたの受信箱に。

  • ツール、モデル、MCPサーバー、リポジトリの新しいレビュー(結論を最初に)
  • 変更があったときに再確認した価格と評価
  • 公開された新しい分析記事

モデル、エージェント、MCPサーバー、そして本当に時間をかける価値のあるツール。

週に1通です。配信停止は各メールのリンクからできます。 メールアドレスの利用について

レイアウト解析

レイアウト解析(layout analysis)とは文書解析の一部で、タイトル、段落、表、図、キャプション、フッターなど、ページ上の領域を見つけてそれぞれにラベルを付け、人が読む順序を割り出す処理です。

別名: reading order, layout detection

執筆 Divya Sharma · 2026年11月15日確認 · レビューの方法

PDF からそのまま取り出したテキストは、順序が狂っていることがよくあります。2 段組みが 1 行ずつ交互に混ざり、脚注が文の途中に入り込み、ページのヘッダーが毎ページ繰り返されます。レイアウト解析は、テキストがチャンキングやモデルに届く前にこれを直します。だからこそ、あらゆる文書解析のパイプラインにとって重要なのです。

仕組み

ほとんどのシステムは、これをページ画像に対する物体検出として扱います。モデルが領域の周りにバウンディングボックスを描き、それぞれにクラスを割り当てます。たとえば DocLayNet のデータセットは、すべての領域に、キャプション、脚注、数式、リスト項目、表、タイトル、本文など 11 のクラスのいずれかのラベルを付けています。2 つ目の手順で、段組み、サイドバー、図を考慮しながらボックスを読む順に並べます。検出された領域はそれから適切なツールに回されます。テキストのブロックは必要に応じて OCR へ、表は表抽出へ、図は画像モデルへ送られます。

例

2 段組みの研究論文を与えると、レイアウト解析はタイトル、要旨、2 つの本文の段、キャプション付きの図、参考文献の一覧を見つけます。読む順序では左の段を右の段より前に置き、キャプションを図と一緒に保ち、柱(ランニングヘッダー)を取り除きます。Docling などのオープンソースのパーサーにはこの手順が含まれています。

限界

雑誌、フォーム、ポスター、スライドなどの変わったデザインは、ほとんどのモデルの学習範囲から外れており、複雑なページでの読む順序の判定は今も誤りが起きやすいままです。視覚言語モデルはレイアウトを暗黙的に扱えますが、結果を制御しにくくなります。

関連用語

文書解析
文書解析(document parsing)とは、PDF、スキャン画像、スライド、スプレッドシートなどのファイルを、ソフトウェアで使える構造化されたテキストに変換することです。単なる文字の羅列ではなく、見出し、読む順序、表、画像を保ちます。
光学文字認識(OCR)
光学文字認識(OCR)とは、スキャンしたページ、写真、スクリーンショットなどの画像からテキストを読み取り、検索、コピー、モデルへの入力ができる機械可読の文字に変換するソフトウェアです。
表抽出
表抽出(table extraction)とは、文書の中から表を見つけ、その行、列、見出し、セルを、ばらばらのテキストの行ではなく、HTML、Markdown、CSVなどの構造化データとして再構築するタスクです。
ビジョン言語モデル(VLM)
ビジョン言語モデル(vision-language model、VLM)とは、画像とテキストを入力として受け取り、テキストを生成するモデルです。画像を説明し、画像についての質問に答え、文書を読み、スクリーンショットからデータを抽出できます。
チャンキング
チャンキング(chunking)とは、長い文書を埋め込みとインデックス化の前に小さな文章のまとまりに分割する手順です。検索システムは、文書のうちクエリに答える部分だけを見つけて返せるようになります。

出典