Yufei Tong, Guanjie Cheng, Tianle Wu, Leilei Zhang, Hang Zheng, Peihan Wu, Jianwei Yin, Shuiguang Deng · 2026 · arXiv
DOI: 10.48550/arXiv.2610.31385 · open-access PDF
Понимание визуальных документов имеет важное значение для получения знаний из визуально богатых документов и привлекает растущий интерес к исследованиям. Существующие опросы подчеркивают архитектуры или технические подходы, с ограниченным вниманием к тому, как барьеры задач формируют технические выборы и приоритеты исследований. Мы представляем исследование, ориентированное на задачи, которое разлагает долгодокументные визуальные ответы на вопросы (VQA) на четыре компонента: анализирование документов, организация и поиск доказательств, организация и обучение генератора и оценка.
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, tech
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
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