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