arXiv cs.CL· Diana Turmakhan, Aseem Srivastava, Vivek Gupta, Iryna Gurevych, Thamar Solorio·· 3 天前AI 评分24
SCOUT：面向高效视觉文档检索的级联检索与跨模态查询精炼框架
Cascaded Retrieval with Cross-Modal Query Refinement for Efficient Visual Document Search
AI 导读
研究者提出 SCOUT 级联双轨检索框架，将检索性能与穷举搜索解耦：视觉轨先用轻量父检索器筛选候选池，再对候选应用更强的多向量重排器，语义轨则基于离线生成的层级页面与文档摘要提供互补信号，两者通过跨模态查询精炼融合。
正文 · AI 翻译
摘要：从视觉信息丰富的文档中检索信息，需要将查询与包含表格、图表及依赖版式结构的复杂证据的页面进行匹配。当前的视觉语言检索器虽能应对这一问题，但其查询时开销随语料库规模增长，难以实际扩展。我们提出 SCOUT，一种级联双轨检索框架，将检索性能与穷举搜索分离。视觉轨道首先使用轻量级父检索器将语料库过滤为紧凑的候选池，然后仅对这些候选应用更强的多向量重排序器。与此同时，语义轨道在离线生成的层级化页面与文档摘要上进行检索，以提供与视觉匹配互补的信号。两路输出通过跨模态查询精炼进行融合，即在最终排序前利用语义分数调整视觉查询表示。我们在 4 个主要基准上针对 6 个基线评估 SCOUT，观察到相对于最佳基线，查询时延迟显著改善，最高达 80.7 倍（平均 28.8 倍），同时在所有基准上以最高 7.8% NDCG 超越最先进的检索性能。
| 学科： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.20367 [cs.CL] |
| （或 arXiv:2610.20367v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.20367 arXiv 颁发的 DOI 经由 DataCite（待注册） |
提交历史
来自：Diana Turmakhan [查看邮箱]
[v1]
2026年10月14日星期三 15:40:27 UTC（1,637 KB）
来源：arXiv cs.CL · arxiv.org