Document Understanding Visual Grounding Chain-of-Thought
摘要

现有文档理解基准多侧重于定位页面元素,而现实场景需对区域语义、空间关系及视觉结构进行联合推理。本文提出ADOPD 2026,将页面分解转化为空间接地(grounded)的文档理解任务。通过引入人工清洗的标题、语义标签及基于文档区域的思维链(CoT),将文本块、视觉实体等统一为“视觉锚点”词汇表。该表示法支持区域级语义标记、统一的视觉-语言接地及密集计数推理,推动文档理解从单纯定位迈向基于锚点的智能推理。

AI 推荐理由

论文核心聚焦于文档理解中的联合推理能力,提出基于视觉锚点的推理框架,并生成思维链以增强逻辑推导。

研究机构
Georgia Tech CMU Adobe ZJU NUIST SEU Physion Labs Columbia University Project lead
论文信息
作者 Sichen Zhu, Yuchen Zhu, Wenzhuo Xu, Jason Kuen, Wanrong Zhu et al.
发布日期 2026-08-05
arXiv ID 2608.04424
相关性评分 9/10 (高度相关)