在视觉丰富的文档中，信息不仅通过单个页面对象（如表格、标题和文本块）编码，还通过它们之间的结构关系进行编码，这使得文档结构分析成为信息检索和文档理解的基础。然而，在具有长距离依赖和异构布局的多页文档中，准确推断这些关系仍然具有挑战性。为了解决这个问题，我们提出了一种树引导的自回归框架，称为文档结构分析器（DOSA），用于推断页面对象之间的关系并重建文档级别的语义树。
DOSA逐块处理文档，为每个页面对象融合视觉、文本和布局特征，并预测层次和顺序关系。预测的关系被用来逐步构建语义树，这个树随后作为结构上下文指导对后续块的推断。实验结果显示，DOSA在五个基准测试上的有效性，在DocHieNet这个最具挑战性的多页层次基准上，F1指标提升高达4分，TEDS指标提升高达19分。
博主点评： DOSA通过结合视觉、文本和布局特征，提供了一种创新的方法来处理复杂文档的结构分析。这种方法不仅提高了信息检索的准确性，还在多页文档的理解上展现了强大的潜力，值得在实际应用中进一步探索和推广。