論文の概要: Parser-Oriented Structural Refinement for a Stable Layout Interface in Document Parsing

• arxiv url: http://arxiv.org/abs/2604.02692v1
• Date: Fri, 03 Apr 2026 03:36:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.307402
• Title: Parser-Oriented Structural Refinement for a Stable Layout Interface in Document Parsing
• Title（参考訳）: 文書解析における安定なレイアウトインタフェースのためのパーザ指向構造再構成
• Authors: Fuyuan Liu, Dianyu Yu, He Ren, Nayu Liu, Xiaomian Kang, Delai Qiu, Fa Zhang, Genpeng Zhen, Shengping Liu, Jiaen Liang, Wei Huang, Yining Wang, Junnan Zhu,
• Abstract要約: インターフェースを安定させるために,DETR型検出器とインターフェースの間に軽量な構造改善ステージを導入する。 原検出出力をコンパクトな仮説プールとして扱うことで、提案モジュールは、クエリ機能、セマンティックキュー、ボックス幾何学、視覚的エビデンスに関するセットレベル推論を行う。 共有された構造状態から、インスタンスの保持を共同で決定し、ボックスのローカライゼーションを洗練し、ハンドオフ前に入力順序を予測する。 提案手法はページレベルのレイアウト品質を常に改善することを示す。
• 参考スコア（独自算出の注目度）: 23.497081928689525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate document parsing requires both robust content recognition and a stable parser interface. In explicit Document Layout Analysis (DLA) pipelines, downstream parsers do not consume the full detector output. Instead, they operate on a retained and serialized set of layout instances. However, on dense pages with overlapping regions and ambiguous boundaries, unstable layout hypotheses can make the retained instance set inconsistent with its parser input order, leading to severe downstream parsing errors. To address this issue, we introduce a lightweight structural refinement stage between a DETR-style detector and the parser to stabilize the parser interface. Treating raw detector outputs as a compact hypothesis pool, the proposed module performs set-level reasoning over query features, semantic cues, box geometry, and visual evidence. From a shared refined structural state, it jointly determines instance retention, refines box localization, and predicts parser input order before handoff. We further introduce retention-oriented supervision and a difficulty-aware ordering objective to better align the retained instance set and its order with the final parser input, especially on structurally complex pages. Extensive experiments on public benchmarks show that our method consistently improves page-level layout quality. When integrated into a standard end-to-end parsing pipeline, the stabilized parser interface also substantially reduces sequence mismatch, achieving a Reading Order Edit of 0.024 on OmniDocBench.
• Abstract（参考訳）: 正確な文書解析には、堅牢なコンテンツ認識と安定したパーサインターフェースの両方が必要である。 明示的なDocument Layout Analysis (DLA)パイプラインでは、下流パーサは完全な検出器出力を消費しない。 代わりに、保存およびシリアライズされたレイアウトインスタンスのセットで動作する。 しかし、重複する領域と曖昧な境界を持つ高密度ページでは、不安定なレイアウト仮説が保持されるインスタンスセットをパーサの入力順序と矛盾させる可能性があるため、ダウンストリームのパースエラーが深刻になる。 この問題に対処するため,DTR型検出器とパーサの軽量な構造改善ステージを導入し,パーサ界面の安定化を図る。 原検出出力をコンパクトな仮説プールとして扱うことで、提案モジュールは、クエリ機能、セマンティックキュー、ボックス幾何学、視覚的エビデンスに関するセットレベル推論を行う。 共有された構造状態から、インスタンスの保持を共同で決定し、ボックスのローカライゼーションを洗練し、ハンドオフ前にパーサの入力順序を予測する。 さらに、保持されたインスタンスセットとその順序を、特に構造的に複雑なページにおいて最終的なパーサー入力と整合させるため、保持指向の監視と難解な順序付けの目的を導入する。 提案手法はページレベルのレイアウト品質を常に改善することを示す。 標準的なエンドツーエンドのパースパイプラインに統合されると、安定化されたパーサインターフェースはシーケンスミスマッチを大幅に低減し、OmniDocBench上で0.024の読み込み順序編集を達成する。

関連論文リスト

• Towards Real-World Document Parsing via Realistic Scene Synthesis and Document-Aware Training [23.87978106727431]
  本稿では、堅牢なエンドツーエンド文書解析のためのデータ学習協調設計フレームワークを提案する。 本手法は,スキャン・デジタル・実世界の両方のシナリオにおいて,精度とロバスト性を向上する。
  論文  参考訳（メタデータ） (2026-03-25T03:19:09Z)
• Training-Free Acceleration for Document Parsing Vision-Language Model with Hierarchical Speculative Decoding [102.88996030431662]
  本稿では,文書解析タスクの学習自由かつ高効率な高速化手法を提案する。 投機的復号化にインスパイアされた私たちは、将来のトークンのバッチを予測するために、ドラフトモデルとして軽量な文書解析パイプラインを使用します。 汎用OmniDocBenchに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2026-02-13T14:22:10Z)
• ROAP: A Reading-Order and Attention-Prior Pipeline for Optimizing Layout Transformers in Key Information Extraction [5.594845708011402]
  本稿では,レイアウト変換器のアテンション分布を最適化する軽量かつアーキテクチャに依存しないパイプラインであるROAPを提案する。 FUNSDおよびCORDベンチマークの実験により、ROAPはバックボーンの性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-01-09T02:02:37Z)
• 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)
• Infinity Parser: Layout Aware Reinforcement Learning for Scanned Document Parsing [46.14775667559124]
  layoutRLは、レイアウトを明示的に認識するようにモデルをトレーニングするエンドツーエンドの強化学習フレームワークである。 堅牢なドキュメント理解の進歩を加速するために、コードとデータセットを公開します。
  論文  参考訳（メタデータ） (2025-06-01T15:19:52Z)
• Multilevel Text Alignment with Cross-Document Attention [59.76351805607481]
  既存のアライメントメソッドは、1つの事前定義されたレベルで動作します。 本稿では,文書を文書間注目要素で表現するための階層的アテンションエンコーダを予め確立した新しい学習手法を提案する。
  論文  参考訳（メタデータ） (2020-10-03T02:52:28Z)

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。