DocAnnot：利用GenAI加速关键信息提取数据集的创建

关键信息提取（KIE）对许多文档应用至关重要，但创建训练数据集通常是一个耗时的手动过程。我们介绍了DocAnnot，一个显著加速KIE数据集生成的框架。

DocAnnot利用大型视觉语言模型（LVLM）进行标签值提取，使用光学字符识别（OCR）进行文本和边界框检测，并采用新颖的空间信息上下文匹配（SICM）算法。SICM通过结合空间关系和邻近分析与文本匹配，提高了标签值的关联性。

我们在CORD和SROIE基准上评估了我们的框架，展示了其自动生成注释的能力，F1分数分别为0.679和0.846。此外，我们还研究了使用自动标注数据微调下游KIE模型的有效性。尽管人工标注数据仍然优越，但仅使用DocAnnot输出训练的模型也能达到令人满意的性能（例如，LayoutLMv3在CORD上达到F1分数0.6765）。

这些结果表明，尽管我们的框架显著减少了对手动工作的依赖，但尚未完全消除对人工干预的需求。然而，通过将自动化过程提升到审阅者可以高效精炼输出的程度，我们的系统能够实现几乎完美的注释，效率远高于从头开始的手动注释。这种方法提供了显著的时间和成本节约，使其在资源受限的环境和快速模型原型设计中具有重要价值。

博主点评： DocAnnot通过结合LVLM与SICM算法，展现了现代技术在信息提取领域的强大潜力。这种自动化解决方案不仅提高了数据集创建的效率，还为后续模型的训练提供了坚实基础，值得在更多应用场景中推广。