論文の概要: LayoutMamba: Efficient Document Layout Analysis with Hybrid Mamba-Transformer Networks

• arxiv url: http://arxiv.org/abs/2610.34879v1
• Date: Mon, 26 Oct 2026 05:51:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.76756
• Title: LayoutMamba: Efficient Document Layout Analysis with Hybrid Mamba-Transformer Networks
• Title（参考訳）: LayoutMamba: ハイブリッドMamba-Transformerネットワークによる効率的なドキュメントレイアウト解析
• Abstract要約: 文書レイアウト分析 (DLA) は長期にわたるジレンマに直面しており、リッチなローカル詳細を計算不可能なコストで捉えたり、効率的なグローバルモデリングを達成したりするが、きめ細かな構造的認識を犠牲にする。 本稿では,局所的特徴抽出(O(n)複雑性)のためのスパースアテンション変換器と,希釈のない長距離依存性モデリングのためのMambaの状態空間機構を組み合わせたハイブリッドフレームワークを提案する。 我々の研究は、ドキュメント分析のための認知に着想を得たパラダイムを開拓し、エッジコンピューティングとリソース制限された環境における実践的な展開を進めた。
• 参考スコア（独自算出の注目度）: 4.915089869204587
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Document layout analysis (DLA) faces a long-standing dilemma: existing methods either capture rich local details at prohibitive computational cost (e.g., Transformer-based approaches with quadratic complexity) or achieve efficient global modeling but sacrifice fine-grained structural awareness (e.g., state-space models). This trade-off hinders deployment in resource-constrained scenarios. We present LayoutMamba, a hybrid framework that synergistically combines sparse-attention Transformers for localized feature extraction (O(n) complexity) and the recurrent state-space mechanism of Mamba for dilution-free long-range dependency modeling across the 2D document canvas. Our two-stage paradigm first uses a lightweight Transformer encoder to hierarchically distill salient local semantics; second, Mamba propagates global contextual dependencies without attention dilution, enabling precise, efficient, and scalable layout understanding. We further identify a critical yet overlooked issue in existing DLA benchmarks: the inherent low-overlap distribution bias of layout objects, which we mitigate through a novel Geometric Overlap Penalty Loss (GOPLoss), a dual-optimization objective that minimizes redundant bounding box overlaps and encourages geometrically consistent predictions. Extensive experiments on PubLayNet and D4LA show that LayoutMamba surpasses state-of-the-art AP on PubLayNet with 8x fewer parameters and maintains leading performance on D4LA, ranking top-3 among published methods, achieving an unprecedented balance between accuracy, efficiency, and scalability. Our work pioneers a cognition-inspired paradigm for document analysis, advancing practical deployment in edge computing and resource-limited environments.
• Abstract（参考訳）: 文書レイアウト分析(DLA)は長期にわたるジレンマに直面している: 既存の手法は、禁止的な計算コスト(例えば、トランスフォーマーベースの2次複雑性を持つアプローチ)でリッチなローカル詳細をキャプチャするか、効率的なグローバルモデリングを実現するか、きめ細かい構造的認識(例えば、状態空間モデル)を犠牲にする。 このトレードオフは、リソース制約のあるシナリオへのデプロイメントを妨げる。 局所的特徴抽出のためのスパースアテンション変換器(O(n))と2次元文書キャンバス間の希釈のない長距離依存性モデリングのためのMambaの繰り返し状態空間機構を相乗的に組み合わせたハイブリッドフレームワークであるLayoutMambaを提案する。 第二に、Mambaは注意の希釈なしにグローバルなコンテキスト依存を伝播し、正確で効率的でスケーラブルなレイアウト理解を可能にします。 レイアウトオブジェクト固有の低オーバーラップ分布バイアスは、冗長なバウンディングボックスの重複を最小化し、幾何学的に一貫した予測を奨励する、新しいGeometric Overlap Penalty Loss (GOPLoss)を通じて緩和する。 PubLayNetとD4LAの大規模な実験によると、LayoutMambaはPubLayNetの最先端のAPを8倍のパラメータで上回り、D4LAのリードパフォーマンスを維持し、公開されたメソッドの中でトップ3をランク付けし、正確性、効率、スケーラビリティの相違を未然に達成している。 我々の研究は、ドキュメント分析のための認知に着想を得たパラダイムを開拓し、エッジコンピューティングとリソース制限された環境における実践的な展開を進めた。

関連論文リスト

• Spatial-Aware Reduction Framework: Towards Efficient and Faithful Visual State Space Models [71.59431204970339]
  STORMは空間対応のトークン還元フレームワークである。 空間単位上の構造演算に還元を再構成する。 様々なビジョンのMambaバックボーンにまたがって最先端のプルーニング精度を実現する。
  論文  参考訳（メタデータ） (2026-06-18T08:31:11Z)
• MambaBack: Bridging Local Features and Global Contexts in Whole Slide Image Analysis [8.432035888211212]
  Whole Slide Image (WSI) 解析は、形態学と建築学を統合したがん診断を可能にする計算病理学において重要な要素である。 マルチインスタンス学習(MIL)は、WSI分析の標準フレームワークとして機能します。 MILアプローチは,(1)1次元配列平坦化中の2次元空間的局所性の破壊,(2)微細な局所細胞構造の最適部分モデリング,(3)推論時の高記憶ピークの3つの重要な課題に直面している。 我々は,MambaとMambaOutの強みを調和させる新しいハイブリッドアーキテクチャであるMambaBackを提案する。
  論文  参考訳（メタデータ） (2026-04-17T06:08:37Z)
• ConMamba: Contrastive Vision Mamba for Plant Disease Detection [3.60543005189868]
  植物病検出(PDD)は精密農業の重要な側面である。 既存のディープラーニング手法は、広範に注釈付けされたデータセットに依存していることが多い。 PDD用に特別に設計された新しいフレームワークであるConMambaを提案する。
  論文  参考訳（メタデータ） (2025-06-03T03:01:38Z)
• Efficient Unstructured Pruning of Mamba State-Space Models for Resource-Constrained Environments [6.908972852063454]
  状態空間モデル(SSM)は、シーケンスモデリングのためのトランスフォーマーの強力な代替品として登場した。 そこで本研究では,Mambaモデルに適した非構造化プルーニングフレームワークを提案し,その性能を95%以上維持しながら,最大70%のパラメータ削減を実現した。
  論文  参考訳（メタデータ） (2025-05-13T07:23:08Z)
• VRS-UIE: Value-Driven Reordering Scanning for Underwater Image Enhancement [104.78586859995333]
  状態空間モデル(SSM)は、線形複雑性と大域的受容場のために、視覚タスクの有望なバックボーンとして登場した。 大型で均質だが無意味な海洋背景の優位性は、希少で価値ある標的の特徴表現応答を希薄にすることができる。 水中画像強調(UIE)のための新しい値駆動リダクションスキャンフレームワークを提案する。 本フレームワークは, 水バイアスを効果的に抑制し, 構造や色彩の忠実さを保ち, 優れた向上性能(WMambaを平均0.89dB超える)を実現する。
  論文  参考訳（メタデータ） (2025-05-02T12:21:44Z)
• SIGMA: Selective Gated Mamba for Sequential Recommendation [56.85338055215429]
  最近の進歩であるMambaは、時系列予測において例外的なパフォーマンスを示した。 SIGMA(Selective Gated Mamba)と呼ばれる,シークエンシャルレコメンデーションのための新しいフレームワークを紹介する。 以上の結果から,SIGMAは5つの実世界のデータセットにおいて,現在のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-08-21T09:12:59Z)
• Maximize to Explore: One Objective Function Fusing Estimation, Planning, and Exploration [87.53543137162488]
  我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。 textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。 様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
  論文  参考訳（メタデータ） (2023-05-29T17:25:26Z)
• Pruning Self-attentions into Convolutional Layers in Single Path [89.55361659622305]
  ビジョントランスフォーマー(ViT)は、様々なコンピュータビジョンタスクに対して印象的なパフォーマンスを実現している。 トレーニング済みのViTを効率よく自動圧縮するSPViT(Single-Path Vision Transformer pruning)を提案する。 われわれのSPViTはDeiT-Bで52.0%のFLOPをトリミングできる。
  論文  参考訳（メタデータ） (2021-11-23T11:35:54Z)

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。