OCR-free相关论文梳理

通用文档理解，是OCR任务的终极目标。现阶段的OCR各种垂类任务都是通用文档理解任务的子集。这感觉就像我们一下子做不到通用文档理解，退而求其次，先做各种垂类任务。

现阶段，Transformer技术的发展，让通用文档理解任务变得不再是那么遥不可及，出现了很多OCR-free的工作。

该部分的工作可以分为三个阶段：

本篇文章着重梳理第2点和第3点涉及到的OCR-free的通用文档理解的工作。行文难免挂一漏万，还望大家多多指教。

⚠️注意：行文顺序是从新到旧

TextMoneky工作源于之前Moneky的工作，主要贡献点有以下几点：

通过使用sliding window将原始图像划分为non-overlapping 448x448 patches的方式，间接地增加了输入图像的尺寸
为了增加多个window patches彼此之间的connections，作者引入了Shifted Window Attention层，插入到多个Endcoder Layer中间
提出了Token Sampler，用于找到其中真正起到关键作用的tokens，减少计算量。这一点有一个假设前提：image包含冗余的tokens
为了减少模型的幻觉，作者添加了一些额外的training task，例如：text spotting和reading text任务。这些任务可以确保模型学到text和location data之间的关系。
论文还探索了作为App Agent的潜力

PS: 整个工作还是比较间接有效，唯一有些缺憾的是相关中文数据用的较少，在中文上效果较差。

该篇工作着眼于dense and fine-grained vision perception任务，例如文档级别OCR和图表理解任务。这一点和Nougat工作有些类似。论文主要可分为两个阶段：

因为在第一阶段训练Vary-tiny时，image encoder用的是在ViTDet上训练所得SAM-base模型，所以其输入图像尺寸是1024x1024x3。这一点可以有效缓解文档类图像在较小尺寸下输入，文字模糊变形问题。但是并未从实际上提高模型的输入尺寸。

PS: 整个Vary工作，我个人认为最大的一点价值是提供了合成中文文档数据的思路，但是并未开源任何合成的相关代码，同时也未开源其模型。 这也难怪后续的工作，很少有与Vary做对比的。这一点从TextMoneky工作中就可看出来。因为Vary用了私有数据集，模型也未开源，所以不能相比。

该篇工作主要是将网页上masked screenshots转换简单的HTML代码，示例图如上面所示，第一列是模型的输入，第二列是模型对应的输入结果。首次证明了一个模型在多个不同visual-language understanding任务中都能取得较好效果。

Pix2struct是基于ViT的标准image-encoder-text-decoder结构，论文中并没有给出具体框图，只是说明了相对于标准的结构，做了哪些改变：

由于观察到在一些visual-language task中，对同样图像，输入不同aspect ratio图像，结果有很大影响。因此作者在保持宽高比的基础上，对图像做了scaling，具体做法可参考下图：
为了能够处理图像中variable resolutions unambiguously，作者引入了2维绝对位置embedding。直白一些，就是加入了位置编码。

以上两点，使得标准的ViT网络更加鲁棒。

值得注意的是，Pix2struct是针对不同任务，都需要重新训练对应的模型。也就是说，我有6个不同visual-language tasks，我就需要分别训练对应6个模型，虽然这6个模型的网络结构是一样的。

PS: 整篇文章看得我有些懵逼，始终没有找到用了多少数据训练的。🤦🏻‍♀️

该篇工作基于Donut，整个网络结构都是来自Donut。因此该篇工作的主要贡献不在算法侧，而是在于数据侧，主要有以下三点：

对于以上三点，我个人最能受益的是第2点。可以说，构造PDF → mmd格式数据集是整个问题的关键。这一点在后续OCR-free与LLM结合的工作中，体现的更加明显。我自己的确也真正跑通了构造数据集的代码，并得到了大约34w 英文文档数据集。在这里不得不为Nougat的工作点赞。

该工作将OCR中多个子任务都集成到了一个End-to-End的网络中，网络是基于transformer的编解码结构。这应该是第一篇将Transformer 编解码结构应用到整个OCR任务中的工作，包括文档分类、文档信息提取和文档问答三个任务。

虽然之前有基于Transformer的文本识别工作--TrOCR，但是也仅仅限于文本识别这一个单一任务。与之前工作相比，Donut与之前工作的差异，可以用下图中清晰体现出来：

Donut的结构有些像Text Spotting任务（检测和识别都在一个模型中完成），但是Donut做的要比Text Spotting任务更进一步。Text Spotting任务只是将图像中文本和对应框坐标提了出来，并没有做进一步操作，而Donut则是在理解图像中文本内容基础上做结构化内容任务。

下图就是Text Spotting任务常见结构图（选自PGNet）:

值得一提的是，论文中提出了一种合成文档数据的Pipeline-- SynthDoG。这为后续开展进一步研究提供了极大的便利。

PS: 这篇工作可谓是经典之作，打开了新思路。