Yufei Tong, Guanjie Cheng, Tianle Wu, Leilei Zhang, Hang Zheng, Peihan Wu, Jianwei Yin, Shuiguang Deng · 2026 · Preprints.org
DOI: 10.20944/preprints202610.2118.v1 · cited by 0 works (OpenAlex) · open-access PDF
Das Verständnis von visuellen Dokumenten ist unerlässlich, um Wissen aus visuell reichen Dokumenten zu erwerben und zieht ein wachsendes Forschungsinteresse an. Bestehende Umfragen betonen Architekturen oder technische Ansätze, mit begrenzter Aufmerksamkeit darauf, wie Aufgabenflaschen technische Entscheidungen und Forschungsprioritäten gestalten. Wir präsentieren eine auf Aufgaben ausgerichtete Umfrage, die langdokumentale visuelle Fragenbeantwortung (VQA) in vier Komponenten aufteilt: Dokumentenanalysen, Beweisorganisation und -erfassung, Generatororganisation und Lernen und Bewertung. Für jeden entwickeln wir eine feingrüne Taxonomie und Spurmotivationen, technische Antworten und kreuzkomponentenbezogene Verbindungen. Wir konzentrieren uns auf explizite Wiederherstellung
Machine translation (Meta M2M100); the English original follows.
Visual document understanding is essential for acquiring knowledge from visually rich documents and is attracting growing research interest. Existing surveys emphasize architectures or technical approaches, with limited attention to how task bottlenecks shape technical choices and research priorities. We present a task-centric survey that decomposes long-document visual question answering (VQA) into four components: document parsing, evidence organization and retrieval, generator organization and learning, and evaluation. For each, we develop a fine-grained taxonomy and trace motivations, technical responses, and cross-component connections. We focus on explicit retrieval while covering direct reading. Our temporal analysis traces expanding priorities from multimodal content understanding to sufficient, high-fidelity evidence acquisition and sustained evidence management. We outline future directions in evidence sufficiency, verifiable and correctable understanding, and budget-aware coordination, with an outlook on continual document understanding.
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
Topics: Computer science, Task (project management), TRACE (psycholinguistics), Focus (optics), Verifiable secret sharing, Question answering
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.31385, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange