一次性分析页面及其阅读顺序
Cui et al., “RT-DocLayout: Real-Time End-to-End Document Layout Analysis with Reading Order in the Wild”, 2026 · arXiv:2606.23344
文档分析流水线传统上串联多个独立模型:区域检测、分割,再重建阅读顺序。每个环节都继承前一环节的误差且无法纠正:一个切分错误的区域始终是错的,阅读顺序则在已经出错的区块上计算。这个问题在文献所称的“in the wild”文档上,也就是真实文档上更为严重:歪斜扫描的页面、卷曲的纸张、斜角拍摄的照片、复合版面。这正是企业部署系统所面对的材料,那里的档案中包含十五年前扫描的文档。
Cui 及其合著者在 2026 年提出了一种架构,将分类、检测、像素级分割和阅读顺序预测统一到单个模型中。联合处理这四项任务消除了环节之间的误差传播:阅读顺序由与分割相同的表示预测得出,而不再是事后在固定输出上重新计算。该模型仅用 3300 万参数就在版面分析上达到了最先进水平,速度为每秒 132 张图像,而该领域的趋势却是采用重得多的大型视觉语言模型。
我们看重的正是这种权衡,而不是在基准数据集上的排名。一个 3300 万参数的模型可以在客户现有的硬件上运行,索引无需专用显卡;而大型视觉语言模型则要么需要硬件投资,要么需要调用外部服务,这是我们的部署原则所排除的。速度同样重要:一次档案迁移动辄数十万页,索引吞吐量相差十倍,就是一个晚上与两个星期的区别。