論文の概要: PaDoc: Layout-Grounded Parallel Decoding for Document Parsing

• arxiv url: http://arxiv.org/abs/2608.06146v1
• Date: Thu, 06 Aug 2026 15:16:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.940764
• Title: PaDoc: Layout-Grounded Parallel Decoding for Document Parsing
• Title（参考訳）: PaDoc: ドキュメント解析のためのレイアウト付き並列デコード
• Abstract要約: ドキュメントはページレイアウトと地域コンテンツを1つの自己回帰シーケンスにシリアライズする。 本研究では,レイアウトを共有ページ表現上の分岐構造として扱うレイアウトグラウンドのPaDocを提案する。 384ページのサブセットと1つのA800では、PaDocは5段階で最速のエンド・ツー・エンドであり、有効ページのスループットは67.4-118%向上した。
• 参考スコア（独自算出の注目度）: 45.6402658645855
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: End-to-end document parsers provide a unified interface, but serialize page layouts and regional contents into one autoregressive sequence. This formulation forces independent regions onto a decoding path whose length grows with the total content, whereas crop-based two-stage parsers expose region-level parallelism at the cost of repeated visual prefills and fragmented page context. To retain full-page context while removing dependencies, we propose PaDoc, a layout-grounded parser that treats the predicted layout as a branching structure over a shared page representation. Under a region-sufficiency assumption, we derive a prefix-conditioned factorization in which the layout stream and regional content branches advance concurrently, reducing the decoding depth to the longest layout-content path. We realize this factorization within a single MLLM: packed variable-length ancestor attention preserves the visibility under standard next-token training, while masked parallel decoding creates branches that the evaluated vLLM backend serves as concurrent requests with cache-resident shared-prefix reuse. On OmniDocBench Full, PaDoc attains an Overall layout F1 of 91.1 and, among end-to-end parsers, a top-tier Overall score of 94.24 together with the best Text Edit (0.038) and Formula CDM (95.59). On a 384-page subset and one A800 GPU, it is the fastest end-to-end parser at five concurrency levels, improving valid-page throughput by 67.4-118% and reducing P95 latency by 39.2-54.9% relative to a same-backbone Sequential SFT baseline. Code is available at https://github.com/Longin-Yu/Padoc
• Abstract（参考訳）: エンドツーエンドのドキュメントパーサは統一インターフェースを提供するが、ページレイアウトと地域コンテンツを1つの自己回帰シーケンスにシリアライズする。 この定式化により、独立領域は総内容とともに長さが増大する復号パスに強制され、一方、作物ベースの2段階パーサーは、繰り返し視覚的プリフィルと断片化されたページコンテキストのコストで、領域レベルの並列性を露呈する。 依存関係を削除しながら全ページのコンテキストを維持するために,予測レイアウトを共有ページ表現上の分岐構造として扱うレイアウトグラウンドパーサPaDocを提案する。 領域充足仮定では、レイアウトストリームと地域コンテンツブランチが同時に進行するプレフィックス条件付き因子化を導出し、デコード深度を最も長いレイアウトコンテンツパスに短縮する。 可変長の祖先の注意が標準の次点学習の可視性を維持する一方で、マスク付き並列復号化は、評価されたvLLMバックエンドがキャッシュ常駐の共有-修正再利用による同時要求として機能する分岐を生成する。 OmniDocBench Fullでは、PaDocは総レイアウトF1が91.1で、エンド・ツー・エンドのパーサーのうち、最高スコアは94.24で、テキスト編集(0.038)とフォーミュラCDM(95.59)である。 384ページのサブセットと1つのA800 GPUでは、5つの並行レベルにおいて最速のエンドツーエンドパーサであり、検証ページスループットを67.4-118%改善し、P95レイテンシを39.2-54.9%削減した。 コードはhttps://github.com/Longin-Yu/Padocで入手できる。

関連論文リスト

• HPD-Parsing: Hierarchical Parallel Document Parsing [14.216874211667358]
  本稿では,全ページの自動回帰生成を階層並列デコーディングパラダイムで置き換えるHPD-Parsingを紹介する。 公開ベンチマークの実験によると、HPD-Parsingは毎秒4,752トークンを達成し、既存の最速の文書解析モデルのスループットを2.62タイムで提供する。 これらの結果は、全ページの自動回帰生成の効果的な代替として階層並列デコードを確立し、効率的な統一文書解析のための新しい方向を開く。
  論文  参考訳（メタデータ） (2026-07-21T08:25:32Z)
• Reading Order Inference for Complex Document Layouts [0.784573461502689]
  本稿では,非モデル化されたテキスト・アズ・ア・レポートの精度を評価する手法を提案する。 非正方形・非正方形テキストの標準Grossainariaレイアウトと比較した。
  論文  参考訳（メタデータ） (2026-07-01T14:52:00Z)
• Dr. DocBench: A Comprehensive Benchmark for Expert-Level and Difficult Document Parsing [53.41293908252118]
  我々は、エキスパートレベルの文書解析のための困難を意識したベンチマークであるDocBench博士を紹介する。 Dr. DocBenchは52のBISACドメインにまたがり、障害ベースのサンプリングによってドキュメントを選択する。 約100ページにわたる長いドキュメントから4,514ページの注釈付きページが含まれており、レイアウト、読み込み順序、階層的関係、ドメイン固有のビジュアルコンテンツなど、65kの高品質なアノテーションがある。 本分析では,文書インテリジェンスを診断・進展するための総合的なテストベッドとしてDocBench博士が注目されている。
  論文  参考訳（メタデータ） (2026-05-31T18:35:30Z)
• MPDocBench-Parse: Benchmarking Practical Multi-page Document Parsing [74.84107522458798]
  MPDocBench-Parseは、現実世界のアプリケーションにおけるマルチページ文書解析のためのベンチマークである。 433の注釈付き文書に3,246ページあり、英語と中国語の15種類の文書を網羅しており、レイアウトは様々である。
  論文  参考訳（メタデータ） (2026-05-21T07:36:41Z)
• How Far Is Document Parsing from Solved? PureDocBench: A Source-TraceableBenchmark across Clean, Degraded, and Real-World Settings [56.70440596502351]
  昨年は20以上のオープンドキュメントパースモデルが見られたが、ベンチマークはほぼOmniDocBenchにのみ依存している。 HTML/CSSのドキュメントイメージをレンダリングするベンチマークであるPureDocBenchは、10のドメイン、66ページ、1,475ページをカバーしています。
  論文  参考訳（メタデータ） (2026-05-08T09:30:31Z)
• M3DocDep: Multi-modal, Multi-page, Multi-document Dependency Chunking with Large Vision-Language Models [20.44093242908907]
  LVLMベースのパイプラインであるM3DocDepを提案する。 共有ブロック評価プロトコルの下で、M3DocDepはDHPベンチマークでSTEDSを+28.5から+39.6%改善し、nDCGを+1.1から+15.3%、QA ANLSを+4.5から+15.3%改善した。
  論文  参考訳（メタデータ） (2026-04-17T05:33:45Z)
• Parser-Oriented Structural Refinement for a Stable Layout Interface in Document Parsing [23.497081928689525]
  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。
  論文  参考訳（メタデータ） (2026-04-03T03:36:36Z)
• 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)
• 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)

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。