論文の概要: MinerU-Popo: Universal Post-Processing Model for Structured Document Parsing

• arxiv url: http://arxiv.org/abs/2605.24973v1
• Date: Sun, 24 May 2026 10:00:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.554887
• Title: MinerU-Popo: Universal Post-Processing Model for Structured Document Parsing
• Title（参考訳）: MinerU-Popo:構造化文書解析のためのユニバーサル後処理モデル
• Authors: Bangrui Xu, Ziyang Miao, Xuanhe Zhou, Yiming Lin, Zirui Tang, Xiaomeng Zhao, Fan Wu, Cheng Tan, Fan Wu, Bin Wang, Conghui He,
• Abstract要約: MinerU-Popoは、OCR出力をPast-Processingする軽量フレームワークである。 問題をテキストトランケーション回復、テーブルトランケーション回復、タイトル階層、画像テキスト関連という4つのサブタスクに分解する。 5つのテストされたOCRモデルで、TEDSのタイトル階層を少なくとも20%改善する。
• 参考スコア（独自算出の注目度）: 34.19535115746437
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: VLM-based OCR models have become the de facto choice for document parsing, as they can accurately extract page-level elements (e.g., paragraphs within individual pages) together with their bounding boxes and textual content. However, downstream applications such as RAG require coherent document-level information, whereas these models often break cross-page continuity and fail to recover disrupted structures, such as paragraphs and tables truncated by page boundaries. Such relationships are not confined to a single page; instead, they require joint analysis of titles, paragraphs, tables, and images spanning multiple pages. A natural solution is therefore to reuse existing OCR outputs and reconstruct document-level logical structures through post-processing. To this end, we propose MinerU-Popo, a lightweight and universal framework for POst-Processing OCR outputs, which converts page-level results from diverse parsers into coherent document-level structures. MinerU-Popo decomposes the problem into four focused subtasks: text truncation recovery, table truncation recovery, title hierarchy reconstruction, and image-text association. To address these effectively, we build a task-oriented data engine with task-specific input filtering, and use the generated data (30K) to fine-tune a lightweight post-processing model (Qwen3-VL-4B). To support long documents, we introduce dynamic chunking with overlap-based synchronization, which aligns chunk-level outputs from the fine-tuned model and preserves global consistency. Finally, we assemble the aligned outputs into a tree-structured document representation, further enriched with node chunking and summaries for downstream retrieval and analysis. Empirical results show MinerU-Popo improves title-hierarchy TEDS by at least 20% across all five tested OCR models, improves RAG accuracy and reduces per-query latency.
• Abstract（参考訳）: VLMベースのOCRモデルは、ページレベルの要素(例えば、個々のページ内の段落)を、バウンディングボックスやテキストコンテンツとともに正確に抽出できるため、文書解析の事実上の選択肢となっている。 しかしながら、RAGのような下流のアプリケーションは一貫性のある文書レベルの情報を必要とするが、これらのモデルはページ間の連続性を破り、ページ境界で区切られた段落やテーブルのような破壊された構造を復元することができない。 このような関係は1ページに限定されるのではなく、タイトル、段落、表、複数のページにまたがるイメージを共同で分析する必要がある。 したがって、自然な解決策は、既存のOCR出力を再利用し、後処理によって文書レベルの論理構造を再構築することである。 この目的のために,多種多様なパーサからページレベルの結果をコヒーレントな文書レベルの構造に変換する,POst-Processing OCR出力のための軽量で普遍的なフレームワークであるMinerU-Popoを提案する。 MinerU-Popoは、問題をテキストトランケーション回復、テーブルトランケーション回復、タイトル階層再構築、画像テキスト関連という4つのサブタスクに分解する。 これらに効果的に対処するために、タスク固有の入力フィルタリングを備えたタスク指向データエンジンを構築し、生成されたデータ(30K)を用いて軽量な後処理モデル(Qwen3-VL-4B)を微調整する。 長いドキュメントをサポートするために、オーバーラップベース同期による動的チャンキングを導入し、細調整されたモデルからチャンクレベルの出力を整列させ、グローバルな一貫性を保つ。 最後に、整列した出力を木構造文書表現に集約し、さらに下流の検索と解析のためにノードチャンキングと要約を付加する。 実証的な結果から、MinerU-Popoは5つのテストされたOCRモデルで少なくとも20%のタイトル階層TEDSを改善し、RAG精度を改善し、クエリ毎のレイテンシを低減する。

関連論文リスト

• Multimodal OCR: Parse Anything from Documents [72.69545534962234]
  dots.mocrは、チャート、ダイアグラム、テーブル、アイコンなどのビジュアル要素を第一級解析ターゲットとして扱う。 テキストとグラフィックの両方を構造化出力として再構築し、より忠実なドキュメント再構築を可能にする。 不均一なドキュメント要素に対するエンドツーエンドのトレーニングをサポートする。
  論文  参考訳（メタデータ） (2026-03-13T14:42:21Z)
• MoDora: Tree-Based Semi-Structured Document Analysis System [62.01015188258797]
  半構造化文書は、様々な不規則なレイアウトで配置された様々なインターリーブされたデータ要素を統合する。 MoDora は半構造化文書解析のための LLM を利用したシステムである。 実験では、MoDoraは5.97%-61.07%の精度でベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-02-26T14:48:49Z)
• 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)
• Vision-Guided Chunking Is All You Need: Enhancing RAG with Multimodal Document Understanding [0.0]
  Retrieval-Augmented Generation (RAG) システムは情報検索と質問応答に革命をもたらした。 従来のテキストベースのチャンキング手法は、複雑なドキュメント構造、マルチページテーブル、埋め込みフィギュア、ページ境界を越えたコンテキスト依存に苦労する。 本稿では,Large Multimodal Models(LMM)を利用してPDF文書をバッチで処理する,新しいマルチモーダル文書チャンキング手法を提案する。
  論文  参考訳（メタデータ） (2025-06-19T05:11:43Z)

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。