论文页面 - NaviDC-OCR：跨数字与相机捕获文档的文档解析导航

来源：https://huggingface.co/papers/2608.12898

摘要

NaviDC-OCR 是一个统一的视觉-语言框架，它整合了变形感知学习、自适应布局采样与内容-结构解耦训练，旨在提升文档解析的准确性及结构推理能力。

文档解析 (https://huggingface.co/papers?q=Document%20parsing) 旨在将非结构化文档转换为结构化、机器可读的表示。视觉-语言模型 (https://huggingface.co/papers?q=Vision-Language%20Models) (VLMs) 的最新进展显著推动了文档解析 (https://huggingface.co/papers?q=document%20parsing) 的发展。然而，现有方法仍面临两大主要挑战。首先，基于 VLM 的解耦方法严重依赖于精确的布局分析，而相机捕获文档中的几何畸变可能引发连锁错误。其次，尽管基于 VLM 的端到端方法减轻了对显式布局检测的依赖，但在高分辨率场景中，它们常会出现冗余生成、幻觉以及结构推理不足的问题。为应对这些挑战，我们提出了 NaviDC-OCR，一个用于文档解析 (https://huggingface.co/papers?q=document%20parsing) 的统一框架。NaviDC-OCR 引入了变形感知学习 (https://huggingface.co/papers?q=deformation-aware%20learning)，将几何感知整合到 VLM 中，并提出了一种针对复杂布局表示的自适应采样机制 (https://huggingface.co/papers?q=adaptive%20sampling%20mechanism)。此外，开发了一种内容-结构解耦学习 (https://huggingface.co/papers?q=content-structure%20decoupled%20learning) 策略，以显式建模公式文法 (https://huggingface.co/papers?q=formula%20grammars) 和表格结构 (https://huggingface.co/papers?q=table%20structures)，从而实现更有效的结构化表示学习。大量实验表明，NaviDC-OCR 在各类文档解析 (https://huggingface.co/papers?q=document%20parsing) 基准测试中均达到了最先进水平。其在 OmniDocBench v1.6、Wild-OmniDocBench 和 PureDocBench 上的总体得分分别为 96.87、88.53 和 78.41，并在 ICDAR 2026 Sci-ImageMiner 竞赛中位列第一。这些结果验证了 NaviDC-OCR 在复杂文档解析 (https://huggingface.co/papers?q=document%20parsing) 场景下的有效性与泛化能力。

查看 arXiv 页面 (https://arxiv.org/abs/2608.12898)查看 PDF (https://arxiv.org/pdf/2608.12898)GitHub17 (https://github.com/caipeng328/NaviDC-OCR)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2608.12898)

通过您的代理获取此论文：

hf papers read 2608\.12898

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型1

StarDoc-AI/NaviDC-OCR 图像-文本到文本• 1B• 更新于14分钟前 • 3 (https://huggingface.co/StarDoc-AI/NaviDC-OCR)

引用此论文的数据集0

无数据集链接到此论文

在数据集 README.md 中引用 arxiv.org/abs/2608.12898 以从本页面链接。

引用此论文的空间0

无空间链接到此论文

在空间 README.md 中引用 arxiv.org/abs/2608.12898 以从本页面链接。

包含此论文的收藏0

无收藏包含此论文

将此论文添加到收藏 (https://huggingface.co/new-collection) 以从本页面链接。