商务服务
AI读论文新神器:多栏密集文字、中英图文混排文档都能读|旷视
2024-06-10 21:01

Fox团队 投稿

量子位 | 公众号 QbitAI

虽然多模态大模型都能挑西瓜了,但理解复杂文档方面还是差点意思。

面对文字密集、多栏混排等文档时往往力不从心,区域级别的细粒度理解,就更是无从谈起了。

最近,旷视团队打造了一支多模态大模型的“点读笔”——Fox,轻松实现对8页文档(中英混合,单栏多栏格式混合的极端场景)的交互式感知理解。

对于信息密集的PDF文档,Fox支持高可控性的细粒度理解,比如在用户感兴趣区域内进行文字识别、段落翻译以及页面内部的图片内容描述等。

论文中,团队进一步突破了对于文档的视觉感知理解的上限,高密度的信息被真正压缩,LVLM真正地“看”懂图,才能真正做好、做出能用的文档多模大模型。

正所谓“一图胜千言”—— one image token >> one text token

接下来,看看Fox在实战中表现如何?

对于中英混合、单栏多栏混合的8页PDF文档,可实现任意区域的OCR:

下图左侧展示了8页文档内跨页的VQA,右侧展示了双栏中文页面的前景OCR。

双栏密集英文页面的前景OCR:

在页面内图片描述方面,Fox能给出文档内内容关联的回答(young Dual Language Learners)。

当然Fox还支持line-level OCR,以及对RoI区域的翻译、总结等。

Fox可以结合页面内文字,认识到这是一张关于global seismic hazards的图。此外,Fox还支持RoI内的latex格式转换,例如下面的table转latex。Fox还支持更加灵活的颜色引导的RoI区域OCR。

对于卡通绘本,也可以哪里不会点哪里:

电影海报和自然场景的对话问答,Fox给出了非常有趣的答案(根据电影海报下面的文字给出了角色来源):

那么Fox是如何做到这些的呢?

在细粒度文档理解上,Fox有着三大创新:

  • 精准定位

Fox引入了一系列基于位置的文本提示,如点击位置、拖动框、涂色框等。这使得模型可以直接定位到感兴趣的任意区域,而不受文档格式的限制。同时,Fox还把全页OCR重新定义为”前景聚焦”任务,进一步增强了对密集文字的感知。

  • 多视觉词表协同

为了更好地理解图文混排页面,Fox采用了两个不同特长的视觉词表——CLIP主攻自然图像,Vary专攻人工文档。但单纯叠加两种数据,往往会造成视觉偏置。为此,Fox合成了大量含混合视觉元素的数据,迫使两个视觉分支充分协作。

  • 页面打包

得益于高压缩率(每页1024×1024图像对应256个图像token),Fox将多页面文档统一打包输入。这不仅让跨页面的上下文理解成为可能,也大幅降低了计算开销。值得一提的是,这种打包微调模式并不需要重新训练视觉词汇。

在这些创新基础上,Fox模型结构如图所示。

Fox支持单页/多页文档图像输入,所有图像的image token被统一到一个sequence中进行多页文档理解。团队设计了基于point、color、box的prompt,来实现在文档页面上聚焦任意位置。团队合成了图文交织的文档数据,来充分催化两个视觉词表,以更好地适用于实际文档应用场景。

此外,为了促进对文档细粒度理解的研究,作者还打造了一个中英双语的benchmark,已经开源了数据和评测代码,共包含以下9种任务:

  • Page-level OCR
  • Region-level OCR
  • Line-level OCR
  • Color-guided OCR
  • Region-level translation
  • Region-level summary
  • In-document figure caption
  • Multi-page multi-region OCR
  • Cross-page VQA

最后,团队呼吁更多的研究人员能关注到细粒度的单页/多页文档理解,单页的稀疏的问答任务远远不够。

真正做好多模态大模型,视觉编码器的信息压缩率(token转化率)是非常重要的,Fox仅探究了文档这一类应用方向,希望对大家的研究有所帮助。

想了解更多细节,请查看原论文。

论文地址:https://arxiv.org/abs/2405.14295

代码地址:https://github.com/ucaslcl/Fox

项目主页:https://ucaslcl.github.io/foxhome/

— 完 —

量子位 QbitAI · 头条号签约

    以上就是本篇文章【AI读论文新神器:多栏密集文字、中英图文混排文档都能读|旷视】的全部内容了,欢迎阅览 ! 文章地址:http://sicmodule.glev.cn/news/6290.html 
     资讯      企业新闻      行情      企业黄页      同类资讯      首页      网站地图      返回首页 歌乐夫资讯移动站 http://sicmodule.glev.cn/mobile/ , 查看更多   
最新新闻
盘点日本那些听起来“野鸡”,实则很牛的大学
提起日本的大学,很多人的认识都停留在东京大学、早稻田大学这几所名校,学长在咨询的时候也经常碰到一些问题。“顺天堂大学?它
日本名门高中推荐——大分高等学校!
日本作为主流热门的留学国家早已受到广大学生和家长的认可,从目前来看,留学生的年龄日趋小龄化。东京都内一些比较有名、升学率
考生必读! 浙江省公务员考试2024公告发布在哪里
浙江省公务员考试是浙江省内最具权威性的公务员招聘考试,每年吸引着众多考生前来参加。而公告是考生了解考试详细信息的重要途径
日本的大学都是怎么分类的?分别对应国内什么等级的大学?
哈喽~大家好,我是青柠日本留学的洛洛老师,很多刚开始了解日本留学的同学和家长,对于日本的大学了解很少很少,充其量也就知道个
安徽中医药大学录取分数是多少?往年录取难度大吗?
安徽中医药大学在安徽是本科第一批次招生,在其他省份也均为本科批次招生,我们通常认为安徽中医药大学在安徽是一本大学。 安徽
经济学专业怎么样_经济学专业主要学什么_就业前景怎么样?
序号学校代码学校名称评选结果110002中国人民大学A+210246复旦大学A+310001北京大学A410055南开大学A510027北京师范大学A-610284
天津中医药大学是一所怎样的大学?招办主任一一解读
一、天津中医药大学是一所什么样的大学?办学实力如何?天津中医药大学创建于1958年,是我国最早建立的中医高等院校之一,座落于
央视报道"南大毕业生求职碰壁" 校方:失败只是花絮
原标题:央视报道“南大毕业生求职碰壁” 校方:就业率并不低,失败只是花絮 第F3版:精要近日,央视《新闻调查》栏目播出了一条
2024中国教育部认可的日本艺术类国立大学介绍
东京艺术大学京都工艺纤维大学筑波大学艺术专门学群九州大学艺术工学部东京学艺大学千叶大学工学部东京艺术大学东京艺术大学几乎