arXiv cs.CL· Ayoub El Bouchtili, Guilhaume Leroy-Meline·· 11 小时前AI 评分29
FRAGMENT：基于实体感知变换的因子化图表示用于文档生成与编辑
FRAGMENT: Factorized Graph Representations for Document Generation and Editing via Entity-Aware Transformations
AI 导读
FRAGMENT 将文档表示为带类型的关系图，并把分布因子化为 p(structure)·p(content|structure)，由因果掩码 Transformer 的 Architect 生成图拓扑与空间关系、GATv2 的 Builder 补全归一化边界框、文本与视觉样式。
正文 · AI 翻译
摘要：发票、表单、报告和科学文章等结构化文档的意义源自空间布局、文本内容与逻辑结构之间的相互作用。在像素或 token 层面运行的生成模型往往难以有效捕捉这些依赖关系。我们探索了 FRAGMENT，这是一个生成式框架，它将文档表示为带类型的关系图，并将其分布分解为 p(structure, content) = p(structure) * p(content | structure)。该框架包含两个阶段。第一阶段 Architect 是一个以文档类别为条件、带因果掩码的 Transformer，自回归地生成图拓扑和带类型的空间关系。第二阶段 Builder 是一个基于 GATv2 的图注意力网络，用归一化边界框、文本和视觉样式属性来丰富图。两个阶段都定义了显式的似然模型，从而产生可处理的文档级似然，可作为伪造检测的异常分数。对于受控编辑，一个以提示为条件的扩展通过交叉注意力将指令嵌入注入 Builder，从而实现语义和实体感知的修改。我们描述了在 DocLayNet 上的训练以及在 FUNSD 和 SROIE 上的微调。在 DocLayNet、FUNSD 和 SROIE 上的实验将 FRAGMENT 与具有代表性的自回归、仅布局和基于图的基线进行了评估，对所提出的分解图生成框架的特性和权衡进行了实证分析。
| 主题： | 计算机视觉与模式识别（cs.CV）；计算与语言（cs.CL） |
| 引用为： | arXiv:2608.18679 [cs.CV] |
| （或此版本的 arXiv:2608.18679v1 [cs.CV]） | |
| https://doi.org/10.48550/arXiv.2608.18679 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Ayoub El Bouchtili [查看电子邮件]
[v1]
2026 年 8 月 19 日星期三 08:29:19 UTC（2,231 KB）
来源：arXiv cs.CL · arxiv.org