OCR-free相关论文梳理

引言

通用文档理解，是OCR任务的终极目标。现阶段的OCR各种垂类任务都是通用文档理解任务的子集。这感觉就像我们一下子做不到通用文档理解，退而求其次，先做各种垂类任务。

现阶段，Transformer技术的发展，让通用文档理解任务变得不再是那么遥不可及，伴随而来的是出现了很多OCR-free的工作。

该部分的工作可以分为三个阶段：

1. 监督类的方法，像LayoutLM系列
2. 只有Transformer结构
3. 结合了LLM做通用文档理解

本篇文章着重梳理第2点和第3点涉及到的OCR-free的通用文档理解的工作。行文难免挂一漏万，还望大家多多指教。

⚠️注意：行文顺序是从新到旧

(2024 TextMonkey) TextMonkey: An OCR-Free Large Multimodal Model for Understanding Document

code: https://github.com/Yuliang-Liu/Monkey

TextMoneky工作源于之前Moneky的工作，主要贡献点有以下几点：

1. 通过使用sliding window将原始图像划分为non-overlapping 448x448 patches的方式，间接地增加了输入图像的尺寸
2. 为了增加多个window patches彼此之间的connections， 作者引入了Shifted Window Attention层，插入到多个Endcoder Layer中间
3. 提出了Token Sampler，用于找到其中真正起到关键作用的tokens，减少计算量。这一点有一个假设前提：image包含冗余的tokens
4. 为了减少模型的幻觉，作者添加了一些额外的training task，例如：text spotting和reading text任务。这些任务可以确保模型学到text和location data之间的关系。
5. 论文还探索了作为App Agent的潜力

PS: 整个工作还是比较间接有效，唯一有些缺憾的是相关中文数据用的较少，在中文上效果较差。

(2023 DocPedia) Docpedia: Unleashing the power of large multimodal model in the frequency domain for versatile document understanding

code: 无

DocPedia中Pedia的意思是百科的意思。该篇工作并没有开源相关代码，认真看的动力一下子小了不少。主要亮点有二：

1. 仍然着眼于输入图像尺寸问题。这次可以直接输入\(2560 \times 2560\)的图像尺寸。借助了JPEG DCT模块来提取DCT系数。这部分参见下图：

   

2. 两阶段的训练方法。

   

   PS: DocPedia中处理大尺寸的图像方法的确打开了思路，值得借鉴。

(2023 TGDoc) Towards improving document understanding: An exploration on textgrounding via mllms

code: https://github.com/harrytea/TGDoc

该篇工作着眼于多模态LLM的text-grounding能力。通俗来说，就是MLLM对图像中文本位置感知能力：可以感觉输入的prompt，来得到图像中对应文本的坐标。可以参考下图例子，就很清楚了：

本文工作主要做了两点：

1. 探索在没有引入额外的文本检测能力前提下，MLLM中text-grounding的能力
2. 通过PaddleOCR构建了一个99K PPT数据集和GPT-4 构建了12K高质量数据集。但是没有开源。

(EMNLP2023 UReder) UReader: Universal OCR-free Visually-situated Language Understanding with Multimodal Large Language Model

code: https://github.com/LukeForeverYoung/UReader

UReader的工作和mPLUG-DocOwl有重合部分，也是通过一个统一的instruction format，在广泛的Visually-situated Language Understanding任务中fine-tuned得来。

亮点部分有两个：

1. 为了增强visual text和semantic understanding的能力，作者添加了两个额外的任务，但是是一样的输入格式。这两个任务是text reading和key points generation任务。

2. 由于现有的vision encoder是frozen，也就是说训练过程中不训练该部分，所以其输入图像的尺寸较小，一般是\(224 \times 224\)。作者提出了shape-adaptive cropping module来动态将输入vision encoder的high-resolution图像切分为合适几块。

   

   Shape-Adaptive Cropping Module，让我想到了目标检测任务中Anchor的做法，先预设一些分割类型块，然后根据IoU计算，挑选合适的分割块。

也让我想到了在做一些遥感类目标检测任务时，由于图像过于大，没有办法一下子输入到模型中去，只好使用一个滑动窗口，overlapping切分该图。

这部分工作和Moneky中的做法不谋而合。相比于Moneky，UReader反而做的更加精细一些。下图是Moneky做法，可注意看从右下角部分。

在论文最后部分，作者提到了当前工作的局限部分：当前做法是将切分得到的图像都同等看待，送入后续模型中，但是一张图像中并不是所有子图像都是有效的。可以考虑用度量的方法也动态决定将有效的图像块送进去。这一点在TextMoneky中的 Token Sampler模块有异曲同工之妙。

(2023 mPLUG-DocOwl) mPLUG-DocOwl: Modularized Multimodal Large Language Model for Document Understanding

code: https://github.com/X-PLUG/mPLUG-DocOwl

mPLUG-DocOwl是在mPLUG-Owl基础上，基于统一的instruction tuning，来平衡language-only, general vision-and-language和document understanding三个任务。

使用的统一的instruction tuning是：<image>Human:{question} AI:{answer}，不同的文档理解数据集都会通过替换{questiong}和{answer}两个关键字段来统一为以上格式。

同时，论文中构建了一个指令理解（instruction understanding）的测评集，名为LLMDoc，来评估多样文档理解能力。

PS: 本篇工作主要贡献点就只有上述两个地方。值得称赞的是，开源的相关的代码和模型，为后续学者研究提供了极大便利。

(2023 UniDoc) Unidoc: A universal large multimodal model for simultaneous text detection, recognition, spotting and understanding

code: 无

UniDoc是一个可以同时做文本检测、文本识别和文档理解的多模态模型。具体所做的任务如下图：

UniDoc，在我看来，算是第一个用LLM做OCR任务的。因此，该论文主要工作在于构建了instruction following数据集，但是没有开源。同时代码和模型权重也没有开源。这让我有些难以评论哈！

由于UniDoc输入图像尺寸是224x224的，因此不能提取fine-grained visual features。这一点也是其后续工作的主要创新点。

(2023 Vary) Vary: Scaling up the Vision Vocabulary for Large Vision-Language Models

code: https://github.com/Ucas-HaoranWei/Vary

该篇工作着眼于dense and fine-grained vision perception任务，例如文档级别OCR和图表理解任务。这一点和Nougat工作有些类似。论文主要可分为两个阶段：

1. 设计一个vocabulary network，通过自回归的方式产生所需要的vocabulary
2. 将上一阶段的new vocabulary与LLM中现有的vanilla vision vocabulary融合，使得LLM获得新的能力。

因为在第一阶段训练Vary-tiny时，image encoder用的是在ViTDet上训练所得SAM-base模型，所以其输入图像尺寸是1024x1024x3。这一点可以有效缓解文档类图像在较小尺寸下输入，文字模糊变形问题。但是并未从实际上提高模型的输入尺寸。

PS: 整个Vary工作，我个人认为最大的一点价值是提供了合成中文文档数据的思路，但是并未开源任何合成的相关代码，同时也未开源其模型。 这也难怪后续的工作，很少有与Vary做对比的。这一点从TextMoneky工作中就可看出来。因为Vary用了私有数据集，模型也未开源，所以不能相比。

(2023 Pix2struct)Pix2struct: Screenshot parsing as pretraining for visual language understanding

code: https://github.com/google-research/pix2struct

该篇工作主要是将网页上masked screenshots转换简单的HTML代码，示例图如上面所示，第一列是模型的输入，第二列是模型对应的输出结果。首次证明了一个模型在多个不同visual-language understanding任务中都能取得较好效果。

Pix2struct是基于ViT的标准image-encoder-text-decoder结构，论文中并没有给出具体框图，只是说明了相对于标准的结构，做了哪些改变：

1. 由于观察到在一些visual-language task中，对同样图像，输入不同aspect ratio图像，结果有很大影响。因此作者在保持宽高比的基础上，对图像做了scaling，具体做法可参考下图：

   

2. 为了能够处理图像中variable resolutions unambiguously，作者引入了2维绝对位置embedding。直白一些，就是加入了位置编码。

以上两点，使得标准的ViT网络更加鲁棒。

值得注意的是，Pix2struct是针对不同任务，都需要重新训练对应的模型。也就是说，我有6个不同visual-language tasks，我就需要分别训练对应6个模型，虽然这6个模型的网络结构是一样的。

PS: 整篇文章看得我有些懵逼，始终没有找到用了多少数据训练的。