Newest papers

A Task-Centric Survey of Long-Document Visual Question Answering: Taxonomy, Evolution, and Future Directions

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

Vietnamese

Hiểu biết tài liệu thị giác là điều cần thiết để có được kiến thức từ các tài liệu giàu thị giác và đang thu hút sự quan tâm ngày càng tăng trong nghiên cứu. Các cuộc khảo sát hiện có nhấn mạnh các kiến trúc hoặc phương pháp kỹ thuật, với sự chú ý hạn chế đến cách thức các chướng ngại vật nhiệm vụ định hình các lựa chọn kỹ thuật và các ưu tiên nghiên cứu. Chúng tôi trình bày một cuộc khảo sát tập trung vào nhiệm vụ phân hủy câu trả lời câu hỏi thị giác tài liệu dài (VQA) thành bốn thành phần: phân tích tài liệu, tổ chức và thu thập bằng chứng, tổ chức và học tập của máy phát điện và đánh giá. Đối với mỗi người, chúng tôi phát triển một phân loại chi tiết và theo dõi động lực, phản ứng kỹ thuật và kết nối giữa các thành phần. Chúng tôi tập trung vào thu thập rõ ràng trong khi bao gồm đọc trực tiếp.

Machine translation (Meta M2M100); the English original follows.

Abstract

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

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange