arXiv cs.AI· Qian Chen, Xianyin Zhang, Lifan Guo, Chi Zhang·· 3 天前AI 评分22
基于分层多模态记忆的复杂长文档标题层级重建
Heading Hierarchy Reconstruction for Complex and Long Documents with Level-Wise Multimodal Memory
AI 导读
针对 VLM 逐页解析长文档时标题层级缺乏文档级一致性的问题，研究者提出一种基于 VLM 的框架，通过分层多模态记忆增量重建标题层级，该记忆按锚点保留此前处理页面的紧凑子集，并选取每层最新节点供模型观察各层级标题的视觉、文本与布局模式。
正文 · AI 翻译
摘要：视觉语言模型（VLM）已被广泛用于文档解析和光学字符识别（OCR），因为它们能够准确提取页面级元素。然而，检索增强生成（RAG）等下游应用还需要连贯的文档级结构。尽管这些模型通过前置不同数量的“\#”符号来指示标题层级，但逐页预测往往缺乏文档级一致性。在实践中，输入分辨率和上下文长度的限制使得 VLM 无法联合处理包含数十或数百页文档中的所有页面图像。为解决这一局限，我们提出了一种基于 VLM 的框架，利用\emph{逐层多模态记忆}增量重建标题层级。该记忆保留所有已处理页面中由锚点选出的紧凑子集。我们的框架支持灵活的锚点选择，在本工作中我们选择每一层最新的节点，使 VLM 能够观察每一层标题的视觉、文本和布局模式。为了进行全面评估，我们还引入了复杂长文档标题层级重建基准（CLDoc-HHRBench），包含 250 份文档和 11,212 页，并带有专家验证的标注。在 CLDoc-HHRBench 和三个现有基准上的实验证明了我们方法的有效性。
| 学科： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.18238 [cs.CV] |
| （或使用 arXiv:2610.18238v1 [cs.CV] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.18238 arXiv 颁发的 DOI，通过 DataCite（待注册） |
提交历史
来自：Qian Chen [查看邮箱]
[v1]
2026年10月13日星期二 12:06:28 UTC（1,001 KB）
来源：arXiv cs.AI · arxiv.org