XY-Cut++: 基于层次掩码机制的高级布局排序
计算机视觉与模式识别
2026-01-29 v3 多媒体
摘要
文档阅读顺序恢复是文档图像理解中的基础任务，对于增强检索增强生成（RAG）和大语言模型（LLM）的关键前处理步骤至关重要。现有方法常在复杂布局（如多栏报纸）、跨模态元素（视觉区域与文本语义）之间存在高开销交互，以及缺乏稳健评估基准方面困难。我们引入XY-Cut++，一种先验掩码处理、多粒度分割和跨模态匹配相结合的先进布局排序方法，以解决上述挑战。我们的方法显著提升了布局排序准确率，优于传统XY-Cut技术。具体而言，XY-Cut++在保持简单性和效率的同时，实现了最新水平性能（总体BLEU为98.8），在新引入的DocBench-100数据集上超越现有基线最高可达24%，并在简单与复杂布局间表现一致。该突破为文档结构恢复奠定了可靠基础，为布局排序任务设定了新标准，促进了更有效的RAG和LLM预处理。
引用
@article{arxiv.2504.10258,
title = {XY-Cut++: Advanced Layout Ordering via Hierarchical Mask Mechanism on a Novel Benchmark},
author = {Shuai Liu and Youmeng Li and Jizeng Wei},
journal= {arXiv preprint arXiv:2504.10258},
year = {2026}
}