arXiv cs.CL· Yufei Tong, Guanjie Cheng, Tianle Wu, Leilei Zhang, Hang Zheng, Peihan Wu, Jianwei Yin, Shuiguang Deng·· 12 小时前AI 评分24
长文档视觉问答的任务中心综述：分类体系、演进与未来方向
A Task-Centric Survey of Long-Document Visual Question Answering: Taxonomy, Evolution, and Future Directions
AI 导读
一篇综述将长文档视觉问答（VQA）拆解为文档解析、证据组织与检索、生成器组织与学习、评估四个环节，并为每个环节建立细粒度分类体系。时序分析显示，研究重心正从多模态内容理解转向充分高保真的证据获取与持续证据管理。未来方向包括证据充分性、可验证可纠正的理解与预算感知协调。
正文 · AI 翻译
摘要：视觉文档理解对于从视觉信息丰富的文档中获取知识至关重要，正吸引着越来越多的研究兴趣。现有综述侧重于架构或技术方法，对任务瓶颈如何影响技术选择和研究优先级的关注有限。我们提出一项以任务为中心的综述，将长文档视觉问答（VQA）分解为四个组成部分：文档解析、证据组织与检索、生成器组织与学习，以及评估。针对每个部分，我们构建了细粒度的分类体系，并梳理其动机、技术应对措施以及跨组件的关联。我们重点关注显式检索，同时涵盖直接阅读。我们的时间分析追溯了研究重点的扩展：从多模态内容理解，到充分、高保真的证据获取，再到持续的证据管理。我们概述了未来方向，包括证据充分性、可验证且可纠正的理解，以及预算感知的协调，并对持续文档理解作出展望。
| 评论： | 26 页，9 幅图，6 张表 |
| 主题： | 计算机视觉与模式识别（cs.CV）；计算与语言（cs.CL）；信息检索（cs.IR） |
| 引用为： | arXiv:2610.31385 [cs.CV] |
| （或 arXiv:2610.31385v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.31385 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yufei Tong [查看电子邮件]
[v1]
2026 年 10 月 22 日星期四 14:52:47 UTC（34,016 KB）
来源：arXiv cs.CL · arxiv.org