
MinerU-Diffusion:扩散解码并行OCR刷榜复杂布局表格公式识别
MinerU-Diffusion 是一种创新的文档 OCR 框架,它将文档识别重新定义为受视觉制约的 逆渲染 过程。该研究挑战了传统的 自回归 解码模式,提出利用 扩散模型 实现并行解码,从而显著提升了长序列的推理效率。通过采用 分块注意力 机制和 不确定性驱动的课程学习 策略,该模型在保持高精度的同时,有效解决了错误累积和语义幻觉问题。实验证明,该方法在处理复杂布局、表格和公式时表现卓越,解码速度比传统基准快达 3.2倍。此外,Semantic Shuffle 基准测试证实,该框架对视觉信号的依赖更具鲁棒性,减少了对语言先验的过度依赖。
The skinny
The skinny isn't ready yet — notes appear once the transcript is processed.