論文の概要: DocLayout-YOLO: Axis-Attentive Document Layout Detector with Mesh-Guided Synthetic Pretraining
- arxiv url: http://arxiv.org/abs/2610.28171v1
- Date: Tue, 20 Oct 2026 13:11:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.825641
- Title: DocLayout-YOLO: Axis-Attentive Document Layout Detector with Mesh-Guided Synthetic Pretraining
- Title（参考訳）: DocLayout-YOLO:メッシュ誘導型合成事前学習による軸検出型文書レイアウト検出装置
- Abstract要約: Doc-YOLOは、合成文書事前学習とページ軸コンテキストモデリングを統合した文書特化リアルタイム検出器である。
結果:Doc-YOLOは、文書レイアウト解析において、より優れた精度-効率トレードオフを確立する。
- 参考スコア（独自算出の注目度）: 30.519289487212976
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate and efficient document layout analysis is critical for modern document parsing systems. However, although the YOLO framework represents a leading paradigm for the real-time detector, its adaptation to heterogeneous documents remains underexplored. To address this gap, we propose DocLayout-YOLO, a document-specialized real-time detector that integrates diverse synthetic document pretraining and page-axis context modeling. From the data perspective, we introduce MeshLayout-1M, a synthetic pretraining corpus generated by the proposed Mesh-candidate BestFit algorithm, which provides large-scale and diverse document layouts for pretraining and improves adaptation to heterogeneous document scenarios. From the model perspective, we propose Page-Axis Layout Attention (PALA), which captures long-range dependencies along the horizontal and vertical page axes while remaining computationally efficient. Extensive experiments demonstrate that DocLayout-YOLO achieves state-of-the-art performance on four heterogeneous document benchmarks, obtaining 72.4%/75.5%/96.0%/73.1% mAP50:95 on D4LA, M6Doc, HJDataset, and PRIMA-LAD, respectively. Compared with existing real-time detectors, DocLayout-YOLO establishes a superior accuracy-efficiency trade-off in document layout analysis. Code, model, and data are available at https://github.com/opendatalab/DocLayout-YOLO/tree/release-v2.
- Abstract（参考訳）: 最新の文書解析システムでは,高精度かつ効率的な文書レイアウト解析が重要である。
しかし、YOLOフレームワークはリアルタイム検出器の主要なパラダイムであるが、異質な文書への適応は未解明のままである。
このギャップに対処するために,多種多様な合成文書事前学習とページ軸コンテキストモデリングを統合した文書特化リアルタイム検出器DocLayout-YOLOを提案する。
データの観点からは、Mesh-candidate BestFitアルゴリズムによって生成された合成事前学習コーパスであるMeshLayout-1Mを導入する。
モデルの観点からは,水平および垂直のページ軸に沿って長距離依存関係を捕捉し,計算効率を保ちながらPage-Axis Layout Attention (PALA)を提案する。
D4LA、M6Doc、HJDataset、PRIMA-LADで72.4%/75.5%/96.0%/73.1%のmAP50:95が得られる。
DocLayout-YOLOは、既存のリアルタイム検出器と比較して、文書レイアウト解析においてより優れた精度と効率のトレードオフを確立する。
コード、モデル、データはhttps://github.com/opendatalab/DocLayout-YOLO/tree/release-v2で公開されている。
関連論文リスト
- RT-DocLayout: Real-Time End-to-End Document Layout Analysis with Reading Order in the Wild [14.715243408844058]
文書レイアウト解析のための高効率なエンドツーエンドフレームワークRT-Docを提案する。
提案モデルは,レイアウト要素の分類,画素レベルのセグメンテーション,幾何学的順序順予測を統一する。
RT-Docは、フルドキュメントの再構築品質を大幅に改善し、現実世界の文書インテリジェンスシステムのスケーラブルで実用的な基盤を提供する。
論文 参考訳（メタデータ） (2026-06-22T13:48:39Z) - 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) - HybriDLA: Hybrid Generation for Document Layout Analysis [40.47982474843359]
HybriDLAは単一の層に拡散と自己回帰デコーディングを統合する新しい生成フレームワークである。
このアーキテクチャはパフォーマンスを83.5%に向上させ、平均精度(mAP)を平均する。
論文 参考訳（メタデータ） (2025-11-25T04:53:47Z) - Advanced Layout Analysis Models for Docling [7.819891138280585]
Doclingの以前のベースラインよりも20.6%から23.9%の改善を実現した5つの新しいドキュメントレイアウトモデルを紹介します。
私たちのベストモデルである"heron-101"は78%のmAPを実現し、1つのNVIDIA A100 GPU上で28ms/image推論時間を実現しています。
すべてのトレーニングされたチェックポイント、コード、ドキュメントは、HuggingFaceのパーミッシブなライセンスの下でリリースされます。
論文 参考訳（メタデータ） (2025-09-15T09:20:11Z) - DocLayout-YOLO: Enhancing Document Layout Analysis through Diverse Synthetic Data and Global-to-Local Adaptive Perception [16.301481927603554]
速度の優位性を保ちながら精度を向上させる新しいアプローチであるDoc-YOLOを導入する。
堅牢な文書事前学習には、Mesh-candidate BestFitアルゴリズムを導入する。
モデル最適化の観点からは,グローバルからローカライズ可能な受信モジュールを提案する。
論文 参考訳（メタデータ） (2024-10-16T14:50:47Z) - DocMamba: Efficient Document Pre-training with State Space Model [56.84200017560988]
本稿では,状態空間モデルに基づく新しいフレームワークDocMambaを紹介する。
グローバルなモデリング能力を保ちながら、計算複雑性を線形に減らすように設計されている。
HRDocの実験では、DocMambaの長さ外挿の可能性が確認された。
論文 参考訳（メタデータ） (2024-09-18T11:34:28Z) - XDoc: Unified Pre-training for Cross-Format Document Understanding [84.63416346227176]
XDocは、単一のモデルで異なるドキュメントフォーマットを扱う、統合された事前訓練されたモデルである。
XDocは、トレーニング済みの個々のモデルと比較して、さまざまなダウンストリームタスクで同等またはそれ以上のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-10-06T12:07:18Z) - Document-Level Relation Extraction with Sentences Importance Estimation
and Focusing [52.069206266557266]
文書レベルの関係抽出(DocRE)は、複数の文の文書から2つのエンティティ間の関係を決定することを目的としている。
我々はDocREのための文重要度スコアと文集中損失を設計するSIEF(Sentence Estimation and Focusing)フレームワークを提案する。
2つのドメインの実験結果から、SIEFは全体的なパフォーマンスを改善するだけでなく、DocREモデルをより堅牢にします。
論文 参考訳（メタデータ） (2022-04-27T03:20:07Z) - Synthetic Document Generator for Annotation-free Layout Recognition [15.657295650492948]
本稿では,空間的位置,範囲,レイアウト要素のカテゴリを示すラベル付きリアル文書を自動生成する合成文書生成装置について述べる。
合成文書上で純粋に訓練された深層レイアウト検出モデルが,実文書を用いたモデルの性能と一致することを実証的に示す。
論文 参考訳（メタデータ） (2021-11-11T01:58:44Z) - DocBank: A Benchmark Dataset for Document Layout Analysis [114.81155155508083]
文書レイアウト解析のための詳細なトークンレベルのアノテーションを備えた500Kドキュメントページを含むベンチマークデータセットである textbfDocBank を提示する。
実験の結果,DocBankでトレーニングされたモデルは,さまざまなドキュメントのレイアウト情報を正確に認識することがわかった。
論文 参考訳（メタデータ） (2020-06-01T16:04:30Z)
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。