arXiv发布RPD文档解析数据集与方法

发生了什么

据arXiv cs.CV论文，研究团队推出Read-Parse-Describe (RPD)，这是一个面向文档解析的视觉元素描述生成统一数据集与方法。该基准基于2,402份文档、18,163页和125,218个布局元素构建，要求模型输出包含边界框、语义标签及视觉元素替代文本描述的有序列表。研究还提出了一种即插即用的空间感知增强器，通过复用多层视觉特征并注入网格感知空间引导，实现了联合读取、解析和描述复杂文档的强大性能。