1 / 4
先に読む文献
ステップは読む順序です。研究上の因果関係や、問題の解決を意味しません。
RESEARCH / 65 PAPERS · 4 THEMES
问题的来路。
现在走到哪里。
同一段文字，外观变了，机器还能读出同样的结构吗？四个问题，从文献追到我自己的实验。
- RAG
- 先检索资料，再依据资料生成回答的机制。
- 根据
- 回答依据的是哪份资料的哪一处。
- 状态
- 规则是"现行"还是"已废止"这类文字之外的信息。
主题1有开发观察；主题2、3处于准备中，已有图像但没有模型结果；主题4仍为候选，实验未启动。目前没有正式结论。
读研究笔记
我研究用文档作依据回答时，必要证据会在哪一步丢失。RAG先查找相关资料，再根据资料生成回答。文档中既有现行规则，也有失效条款和例外；读出了文字，仍可能把不适用的内容当作依据。我希望在正文相同时改变状态表示或排印，分别检查检索、阅读和采用证据的环节。
- 候选保留的问题，未启动实证工作。
- 准备中已有设计或输入，但还没有针对该问题的可用观察。
- 有开发观察有有限的开发结果或保存结果分析，不是独立正式验证。
- 正式结论经过正式审查。目前 0 个。
研究マップを読み込んでいます…
研究マップを読み込んでいます…
01 上流の文献・関連
02 下流の文献・関連
03 つながる研究の問い
関係の根拠・限界・確かさ
出典と表示に使った情報
02候选主题
每个主题的进度・文献・实验・担当THEME 01 / 31 PAPERS · 5 研究问题
文本/结构 RAG 中证据的语义与结构保真
- 问题
- "已经失效的规则"和"现行规则"并排在同一份文档里，检索能选对现行的那条吗？
- 现在
- 用 100 份合成募集要项、500 个片段，比较保留/抹平状态标注。已有小规模开发观察，正式结论还没有。
募集要项写着「出愿书类 6 月 10 日必达（旧：6 月 4 日）」。问"今年截止是哪天"，如果 6 月 4 日排在前面——有根据，但答错了。
根据不会只在一页里。
FIG. 03 / CROSS-PAGE找到正文里的参照。P.04 的「別表B」指出下一处要读的地方。
用文字读这张图
- 正文 P.04 写着「参照別表B」。
- 参照目标是 P.09，页码和参照名一起显示。
- 把 P.09 的表和注记读完。
- 把 P.04 与 P.09 的关系整理为可回溯的出处路径。
自写资料的说明动画。不自动播放，支持播放、暂停、逐帧。不是模型运行或实验结果。 真实画面见：J-Grad 的「根拠へ戻る」 →
读研究笔记
为什么 文字读对了，但丢了"哪条有效"，就会得到一个看似合理的错答。
研究正确状态和关系能否经过表示、切块和检索仍完整保留，已有有限开发观察。（title_ja 为 R 译）
- ○ P021An Approach of Strike-Through Text Identification from Handwritten Documents 2014把划除文字单独识别出来；还未检验它能否作证据。
- ○ P026A study of handwritten text recognition with cross-out words 2026比较划除样式对识别的影响；识别正确不等于证据有效。
- ◇ T1-RQ1给定正确状态时，保留/抹平是否改变有效/失效证据的检索排名？问保留失效状态能否改变检索排名；仍待正式验证。
- □ E06state-ablation / attempt-005已有状态保留与抹平的开发比较；尚无正式结论。
- ○ P022WebSRC: A Dataset for Web-Based Structural Reading Comprehension 2021把网页结构纳入问答评价；尚未进入行内状态的检索。
- ○ P024MarkupLM: Pre-training of Text and Markup Language for Visually Rich Document Understanding 2022把标记结构放进机器表示；未验证行内状态的检索价值。
- ○ P025Intelligent Predictive Maintenance RAG framework for Power Plants: Enhancing QA with StyleDFS and Domain Specific Instruction Tuning 2024让块级层级进入切块和问答；更细的语义关系尚待验证。
- ◇ T1-RQ4切块后，限定/引用/状态与正文的支持关系是否完整保留并被检出？问切块后限定、引用和状态能否完整检出；尚待验证。
- □ E11oracle/关系来源见证已有完整上下文见证；尚未完成关系检索验证。
方向与进度
主题1从文字和状态已经正确给定出发，检查这些信息能否经过表示、切块和检索而保留。重点区分当前与失效规则，并看限定、例外等证据是否完整。目前有小候选集合上的开发观察，尚未证明全库效果或跨块关系完整性。
文献
先看ParseBench区分文字和语义格式评价，再看含StyleDFS的电厂问答论文了解结构到检索的流程；第三看划除手写文字识别，其范围仍在识别层，读对与证据有效是不同问题。MarkupLM与FontHalu可作补充。
实验与报告
已有保留或抹去状态、交换状态等小规模开发比较；保存结果的分析区分候选出现、状态适用和完整选证。它们尚未证明全库检索改善、对未知资料有效或跨块关系完整。
- ◇ T1-RQ1 给定正确状态时，保留/抹平是否改变有效/失效证据的检索排名？有开发观察 □ E01 E02 E03 E04 E06 E08 E10
- ◇ T1-RQ2 状态交换与等义表达后，模型是否跟随问题要求的状态，而非固定正文/数值？有开发观察 □ E04 E07 E09
- ◇ T1-RQ3 如何区分状态资格、正文相关性与0/1/2条完整选证，解释误收/漏答？有开发观察 □ E05 E06 E07 E09
- ◇ T1-RQ4 切块后，限定/引用/状态与正文的支持关系是否完整保留并被检出？准备中 □ E11
- ◇ T1-RQ5 现行、失效、日期资格与直接上一版应怎样分别定义？有开发观察 □ E12
我的担当
分工是用户决定方向和公开范围，人工智能辅助整理文献与保存结果。报告未充分按人登记设计、实现和评分的具体完成项，因此不写成用户独立完成。
THEME 02 / 25 PAPERS · 2 研究问题
视觉文本理解失败的机制分解
- 问题
- 同一段文字以图片呈现时，模型是"没读出字"，还是"读出了却答错"？
- 现在
- 准备了 10 例、20 张图、50 份输入。模型还没跑。
同一段落分别作为文本和图片输入；答案不同时，再单独让它转写，确认是否读出了字。
读研究笔记
为什么 不分开这两种失败，就不知道该修 OCR 还是推理。
研究读字失败与读对后答错的区别，已准备输入但尚无模型结果。（title_ja 为 R 译）
- ○ P008OCRBench: on the hidden mystery of OCR in large multimodal models 2024把视觉文字单独评价；没有控制字体变化。
- ○ P009Exploring the Capabilities of Large Multimodal Models on Dense Text 2024把读字评价扩展到密集文字问答；缺少同内容图文对照。
- ○ P011ReadBench: Measuring the Dense Text Visual Reading Ability of Vision-Language Models 2025用同内容图文对照测理解差异；差异原因仍需拆分。
- ○ P012VISTA-Bench: Do Vision-Language Models Really Understand Visualized Text as Well as Pure Text? 2026在内容不变时改变渲染；仍需解释差异来自哪种错误。
- ○ P013Reading, Not Thinking: Understanding and Bridging the Modality Gap When Text Becomes Pixels in Multimodal LLMs 2026拆分读字、计算和推理等错误；定量传播关系尚不清楚。
- ◇ T2-RQ1读字失败与回答失败的交叉关系是什么？问读字失败怎样变成回答失败；目前没有模型答案。
- □ E13T2视觉诊断开发已准备输入图像和问题；模型尚未跑出结果。
方向与进度
主题2是辅助诊断线，区分文字没读对与读到后仍答错。计划比较同内容的文字和图像，并控制字号、图像处理成本等差异。目前只有输入准备，没有模型回答；它被保留为解释失败的框架，而非优先独立开发新方法的主题。
文献
按ReadBench、VISTA-Bench、Reading, Not Thinking的顺序，理解图文对照、渲染差异和错误分类；Glyph用于补看视觉处理成本这一控制条件。
实验与报告
准备了同文正常和较小字号图像，以及回答与读字检查输入；自动检查覆盖和溢出，但没有人工可读性确认记录。模型尚未执行，没有阅读或回答成绩。
- ◇ T2-RQ1 读字失败与回答失败的交叉关系是什么？准备中 □ E13
- ◇ T2-RQ2 控制视觉预算后，字体/渲染扰动的残差是否仍存在？准备中 □ E13
我的担当
人工智能整理了文献地图和准备状态。仅凭现有报告，不能确定图像生成和实现由谁具体完成；用户在设计、实现与评价上的实绩，需要作业记录支持。
THEME 03 / 29 PAPERS · 2 研究问题
页面级视觉检索对排版变化的稳定性
- 问题
- 同一页内容，只换字体，检索排名会变吗？
- 现在
- 已把 10 页用 3 种字体渲染。检索排名的比较接下来做。
把「出愿资格」的同一段文字分别用明朝、黑体、UD 字体渲染，用同一个问题检索。
读研究笔记
为什么 想确认与内容无关的字体差异，是否影响检索的稳定性。企业文档的字体因作者而异。
研究同页换排印是否影响页面检索稳定性，已准备图像但尚无检索结果。（title_ja 为 R 译）
- ○ P038Unifying Multimodal Retrieval via Document Screenshot Embedding 2024用页面截图做检索；未系统控制字体变化。
- ◇ T3-RQ1同页换字体是否改变检索score/rank/Top-K保留？问同页换字体后排名是否变化；尚无检索结果。
- □ E14T3字体检索开发已有页面和输入准备；尚无编码和排名结果。
方向与进度
主题3问同一页面只换字体，相关资料的得分和排名是否稳定。计划尽量固定内容、改行、布局、可读性和视觉处理成本，并比较整页表示与细粒度匹配两种检索方式。现阶段只有图像和输入准备，没有检索结果；没有差异也需要保留其条件。
文献
先读Document Screenshot Embedding理解页面图像检索，再读ColPali理解细粒度匹配，最后看Vision-Text Augmentation的视觉呈现变量。三者是阅读顺序，不补造彼此的推进关系。
实验与报告
准备了同内容多字体页面和检索输入，并复用改行与位置；尚未测量模型实际视觉处理量，也未编码或排名。因此不能声称存在字体影响，或哪种检索结构更稳健。
- ◇ T3-RQ1 同页换字体是否改变检索score/rank/Top-K保留？准备中 □ E14
- ◇ T3-RQ2 差异是否超过同输入噪声，dense与late-interaction是否不同？准备中 □ E14
我的担当
人工智能辅助了先行研究映射和准备状态说明；现有资料不足以确定人与人工智能的实现分工，不把自研检索模型或完成比较评价写成用户实绩。
THEME 04 / 38 PAPERS · 2 研究问题
被动排版与证据取舍
- 问题
- 所有需要的证据都能读到时，模型是否会把更醒目（粗体、更大）的那条当成"根据"？
- 现在
- 候选主题。实验未启动，也还没有观察。
把本则「TOEIC 600 分以上」设为粗体，例外「数学系 700 分」用小字附在旁边。想比较：改变字号和粗细时，对数学系的回答是否也跟着变。实验还没开始（说明用的例子）。
读研究笔记
为什么 例外往往写在小字注记里。只拾取醒目本则的系统，会对适用例外的人答错。
研究被动排印显著性是否改变证据依赖，尚未启用实验。（title_ja 为 R 译）
- ○ P047Magnifying What Matters: Attention-Guided Adaptive Rendering for Visual Text Comprehension 2026主动放大选中文字辅助阅读；未回答被动显著性问题。
- ◇ T4-RQ1被动显著性是否改变规则/例外证据依赖与答案？问被动显著性是否改变规则和例外的使用；实验未启用。
- □ E15T4被动显著性保留被动显著性实验设想；尚无观察或结论。
方向与进度
主题4仍是候选：证据都能读清时，被动显著性是否改变规则、条件和例外的实际使用。它与按问题主动定位并放大证据的方法不同，需要固定内容、位置和视觉成本，并区分注意到与真正依赖。实验未启动，没有现象存在与否的观察。
文献
先看Seeing but Not Believing，区分关注到证据与正确回答；再看Magnifying What Matters的主动放大；最后看DocAttriBench通过遮蔽证据检查依赖的思路。
实验与报告
实验尚未开始。现有的只是交换规则与例外显著性、检查回答和证据依赖的设想；可读性与视觉成本的控制、依赖测量仍未落实。不能声称有效或无效。
- ◇ T4-RQ1 被动显著性是否改变规则/例外证据依赖与答案？候选 □ E15
- ◇ T4-RQ2 遮蔽反事实能否区分实际必要证据依赖与仅注意到/读到？候选 □ E15
我的担当
人工智能整理了先行研究、候选问题和未执行项；实验与评价均未启动。用户已完成哪些具体设计工作，现有资料无法确定，需由作业记录补证。
65文献
只展示书目信息，不放 PDF 和图。阅读与核验状态另行管理。| ID | 题名 | 作者 | 年 | 主题 | |
|---|---|---|---|---|---|
| P001 | A Study of Style Effects on OCR Errors in the MEDLINE Database · Proceedings of SPIE-IS&T Electronic Imaging, Vol. 5676 记录字体样式与医学文献文字识别错误之间的关系。 | Penny Garrison; Diane Davis; Tim Andersen; Elisa Barney Smith | 2005 | T1 T2 | [DOI] →1 |
| P002 | Text Degradations and OCR Training · Eighth International Conference on Document Analysis and Recognition, ICDAR 2005 记录打印和扫描退化如何影响文字识别训练。 | Elisa H. Barney Smith; Tim Andersen | 2005 | T1 T2 | [DOI] |
| P003 | A Study on the Accuracy of OCR Engines for Source Code Transcription from Programming Screencasts · 17th International Conference on Mining Software Repositories, MSR 2020 记录代码截图中字体、字号与文字识别引擎的比较。 | Abdulkarim Khormi; Mohammad Alahmadi; Sonia Haiduc | 2020 | T1 T2 | [DOI] →2 |
| P004 | Texture or Semantics? Vision-Language Models Get Lost in Font Recognition · Conference on Language Modeling, COLM 2025 记录视觉语言模型识别字体时如何区分纹理与文字含义。 | Zhecheng Li; Guoxian Song; Yujun Cai; Zhen Xiong; Junsong Yuan; Yiwei Wang | 2025 | T1 T2 T3 T4 | [arXiv] →1 |
| P005 | OmniDocBench: Benchmarking Diverse PDF Document Parsing with Comprehensive Annotations · IEEE/CVF Conference on Computer Vision and Pattern Recognition, CVPR 2025；材料给出的论文页码为 24838–24848（待原文核实）。 记录不同PDF文档解析任务的评价与标注问题。 | Linke Ouyang（仅材料提供的第一作者；完整作者名单未提供） | 2025 | T1 T2 T4 | [DOI] →1 |
| P006 | How does Watermarking Affect Visual Language Models in Document Understanding? · Conference on Language Modeling, COLM 2025 记录水印干预下的文档理解评价问题。 | Chunxue Xu; Yiwei Wang; Bryan Hooi; Yujun Cai; Songze Li | 2025 | T1 T2 T3 T4 | [arXiv] |
| P007 | When Good OCR Is Not Enough: Benchmarking OCR Robustness for Retrieval-Augmented Generation · ACL 2026, Industry Track 记录文字识别误差如何传递到检索与回答的问题。 | Lin Sun; Wangdexian; Jingang Huang; Linglin Zhang; Change Jia; Zhengwei Cheng; Xiangzheng Zhang | 2026 | T1 T2 T4 | [DOI] |
| P008 | OCRBench: on the hidden mystery of OCR in large multimodal models · Science China Information Sciences, Volume 67, Article 220102 记录多模态模型识别图中文字的评价问题。 | Yuliang Liu, Zhang Li, Mingxin Huang, Biao Yang, Wenwen Yu, Chunyuan Li, Xu-Cheng Yin, Cheng-Lin Liu, Lianwen Jin, Xiang Bai | 2024 | T2 T3 T4 | [DOI] →2 |
| P009 | Exploring the Capabilities of Large Multimodal Models on Dense Text · arXiv 记录多模态模型读取密集文字的能力问题。 | Shuo Zhang, Biao Yang, Zhang Li, Zhiyin Ma, Yuliang Liu, Xiang Bai | 2024 | T2 T3 T4 | [arXiv] →1 |
| P010 | OCRBench v2: An Improved Benchmark for Evaluating Large Multimodal Models on Visual Text Localization and Reasoning · NeurIPS 2025, Datasets and Benchmarks Track 记录文字定位与推理的扩展评价问题。 | Ling Fu, Zhebin Kuang, Jiajun Song, Mingxin Huang, Biao Yang, Yuzhe Li, Linghao Zhu, Qidi Luo, Xinyu Wang, Hao Lu, Zhang Li, Guozhi Tang, Bin Shan, Chunhui Lin, Qi Liu, Binghong Wu, Hao Feng, Hao Liu, Can Huang, Jingqun Tang, Wei Chen, Lianwen Jin, Yuliang Liu, Xiang Bai | 2025 | T2 T3 T4 | [DOI] |
| P011 | ReadBench: Measuring the Dense Text Visual Reading Ability of Vision-Language Models · arXiv 记录长篇密集文字以图像呈现时的阅读问题。 | Benjamin Clavié, Florian Brand | 2025 | T2 T3 T4 | [arXiv] →1 |
| P012 | VISTA-Bench: Do Vision-Language Models Really Understand Visualized Text as Well as Pure Text? · arXiv 记录相同内容以图像或文字输入时的理解差异。 | Qing'an Liu, Juntong Feng, Yuhao Wang, Xinzhe Han, Yujie Cheng, Yue Zhu, Haiwen Diao, Yunzhi Zhuge, Huchuan Lu | 2026 | T2 T3 T4 | [arXiv] →1 |
| P013 | Reading, Not Thinking: Understanding and Bridging the Modality Gap When Text Becomes Pixels in Multimodal LLMs · arXiv 记录文字变成像素后阅读与推理能力的差异。 | Kaiser Sun, Xiaochuang Yuan, Hongjun Liu, Chen Zhao, Cheng Zhang, Mark Dredze, Fan Bai | 2026 | T2 T3 T4 | [arXiv] |
| P014 | OCR Hinders RAG: Evaluating the Cascading Impact of OCR on Retrieval-Augmented Generation · ICCV 2025 记录文字识别误差对检索和回答的连锁影响。 | Junyuan Zhang, Qintong Zhang, Bin Wang, Linke Ouyang, Zichen Wen, Ying Li, Ka-Ho Chow, Conghui He, Wentao Zhang | 2025 | T2 T3 T4 | |
| P015 | FADE: Probing the Limits of VLMs on fine-grained OCR · 4th Workshop on Advances in Language and Vision Research (ALVR), ACL 2026 记录细粒度文字识别的能力边界。 | Deep Shah, Nehal Kathrotia, Sanket Badhe | 2026 | T2 T3 T4 | [DOI] |
| P016 | Reading ≠ Seeing: Diagnosing and Closing the Typography Gap in Vision-Language Models · arXiv 记录视觉语言模型的字体感知与阅读差距。 | Heng Zhou, Ao Yu, Li Kang, Yuchen Fan, Yutao Fan, Xiufeng Song, Hejia Geng, Yiran Qin | 2026 | T2 T3 T4 | [arXiv] |
| P017 | Glyph: Scaling Context Windows via Visual-Text Compression · ACL 2026, Main Conference, Long Papers 记录把长文本渲染为图像以压缩输入的问题。 | Jiale Cheng, Yusen Liu, Xinyu Zhang, Yulin Fei, Wenyi Hong, Ruiliang Lyu, Weihan Wang, Zhe Su, Xiaotao Gu, Xiao Liu, Yushi Bai, Jie Tang, Hongning Wang, Minlie Huang | 2026 | T2 T3 T4 | [DOI] →2 |
| P018 | FocusVTC: Efficient and High-Performance Visual Text Compression with Adaptive Resolution · arXiv 记录通过自适应分辨率压缩视觉文字的问题。 | FangZhi Zhong, Xuerui Qiu, Yuqi Pan, Ya Liu, Shaowei Gu, Bo Xu, Guoqi Li | 2026 | T2 T3 T4 | [arXiv] |
| P019 | Same Semantics, Different Outcome: On the Modality Robustness of Multimodal LLMs under Knowledge Conflict · Findings of EMNLP 2026 记录知识冲突下相同内容跨输入模态的一致性。 | Jungyeon Lee, Yejin Yoon, Taeuk Kim | 2026 | T2 T3 T4 | [arXiv] |
| P020 | Identifying Subscripts and Superscripts in Mathematical Documents · Mathematics in Computer Science 记录数学文档中上标与下标的识别问题。 | Walaa Aly, Seiichi Uchida, Masakazu Suzuki | 2008 | T1 T4 | [DOI] |
| P021 | An Approach of Strike-Through Text Identification from Handwritten Documents · 14th International Conference on Frontiers in Handwriting Recognition, ICFHR 2014；材料给定论文整体出版页码为 643–648（待原文核实） 记录手写文档中删除线文字的识别问题。 | Chandranath Adak, Bidyut B. Chaudhuri | 2014 | T1 T4 | [DOI] →1 |
| P022 | WebSRC: A Dataset for Web-Based Structural Reading Comprehension · EMNLP 2021 记录网页结构阅读理解的数据与任务。 | Xingyu Chen, Zihan Zhao, Lu Chen, Jiabao Ji, Danyang Zhang, Ao Luo, Yuxuan Xiong, Kai Yu | 2021 | T1 T4 | [DOI] →1 |
| P023 | Information Extraction from Visually Rich Documents with Font Style Embeddings · 26th International Conference on Pattern Recognition, ICPR 2022 记录字体样式表示在文档信息抽取中的作用。 | Ismail Oussaid, William Vanhuffel, Pirashanth Ratnamogan, Mhamed Hajaiej, Alexis Mathey, Thomas Gilles | 2022 | T1 T4 | [DOI] [arXiv] |
| P024 | MarkupLM: Pre-training of Text and Markup Language for Visually Rich Document Understanding · ACL 2022 记录文本与网页标记共同建模的问题。 | Junlong Li, Yiheng Xu, Lei Cui, Furu Wei | 2022 | T1 T4 | [DOI] →1 |
| P025 | Intelligent Predictive Maintenance RAG framework for Power Plants: Enhancing QA with StyleDFS and Domain Specific Instruction Tuning · EMNLP 2024 Industry Track 记录电厂资料中样式层级切块与问答的问题。 | Seongtae Hong, Joongmin Shin, Jaehyung Seo, Taemin Lee, Jeongbae Park, Manyoung Cho, Byeongho Choi, Heuiseok Lim | 2024 | T1 T4 | [DOI] →1 |
| P026 | A study of handwritten text recognition with cross-out words · International Journal on Document Analysis and Recognition 记录含划去词语的手写文本识别问题。 | Gayan H. Pathirage, Simon Corbillé, Filip Wåhlin, Nazrul Islam, Elisa H. Barney Smith | 2026 | T1 T4 | [DOI] |
| P027 | FontHalu: Font-based Hallucinations in Multimodal Large Language Models · OpenReview public manuscript；正式 peer-reviewed venue 待核实。 记录字体变化导致多模态模型误判的评价问题。 | — | 2026（仅材料归档年份；具体 OpenReview submission / version date 待核实） | T1 T4 | |
| P028 | ParseBench: A Document Parsing Benchmark for AI Agents · arXiv preprint 记录面向人工智能代理的文档解析评价任务。 | — | 2026 | T1 T4 | [arXiv] |
| P029 | Leveraging Visual Tokens for Extended Text Contexts in Multi-Modal Learning · NeurIPS 2024, Main Conference Track 记录利用视觉文字表示扩展文本上下文的问题。 | Alex Jinpeng Wang, Linjie Li, Yiqi Lin, Min Li, Lijuan Wang, Mike Zheng Shou | 2024 | T2 T3 T4 | [DOI] →2 |
| P030 | Vision-centric Token Compression in Large Language Model · NeurIPS 2025 Main Conference 记录以视觉表示压缩语言模型输入的问题。 | Ling Xing, Alex Jinpeng Wang, Rui Yan, Xiangbo Shu, Jinhui Tang | 2025 | T2 T3 T4 | [DOI] →2 |
| P031 | DeepSeek-OCR: Contexts Optical Compression · arXiv / DeepSeek technical release 记录把文本上下文转换为视觉表示的压缩问题。 | Haoran Wei, Yaofeng Sun, Yukun Li | 2025 | T2 T3 T4 | [DOI] [arXiv] →3 |
| P032 | VTCBench: Can Vision-Language Models Understand Long Context with Vision-Text Compression? · arXiv；作者材料标注 EMNLP 2026，来源材料未核实正式 proceedings 页面，本轮亦未独立核验。 记录视觉文字压缩后的长上下文理解评价。 | Hongbo Zhao, Meng Wang, Fei Zhu, Wenzhuo Liu, Bolin Ni, Fanhu Zeng, Gaofeng Meng, Zhaoxiang Zhang | 2025 | T2 T3 T4 | [arXiv] →1 |
| P033 | Fico: Evaluating Vision-Language Models under Visual Fidelity and Compression at Scale · Findings of ACL 2026 记录视觉保真度与压缩条件下的模型评价。 | Jianhong Tu, Nicholas Crispino, Kyle Montgomery, Chenguang Wang, Dawn Song | 2026 | T2 T3 T4 | [DOI] →1 |
| P034 | Visual Text Compression as Measure Transport · NeurIPS 2026 accepted（来源材料称官方 event / download list 已列出对应标题；实验细节主要依据 arXiv version） 记录视觉文字压缩的表示与理论问题。 | Lv Tang, Tianyi Zheng, Yang Liu, Bo Li, Xingyu Li | 2026 | T2 T3 T4 | [DOI] [arXiv] |
| P035 | Learning Transferable Visual Models From Natural Language Supervision · ICML 2021；Proceedings of Machine Learning Research, Volume 139 记录通过图文联合学习建立可比较表示的问题。 | Alec Radford; Jong Wook Kim; Chris Hallacy; Aditya Ramesh; Gabriel Goh; Sandhini Agarwal; Girish Sastry; Amanda Askell; Pamela Mishkin; Jack Clark; Gretchen Krueger; Ilya Sutskever | 2021 | T3 | |
| P036 | Disentangling Visual and Written Concepts in CLIP · CVPR 2022 记录区分视觉概念与书写文字概念的问题。 | Joanna Materzyńska; Antonio Torralba; David Bau | 2022 | T3 | [DOI] |
| P037 | FontCLIP: A Semantic Typography Visual-Language Model for Multilingual Font Applications · Computer Graphics Forum, Volume 43, Issue 2 记录字体语义与多语言字体表示的问题。 | Yuki Tatsukawa; I-Chao Shen; Anran Qi; Yuki Koyama; Takeo Igarashi; Ariel Shamir | 2024 | T3 | [DOI] |
| P038 | Unifying Multimodal Retrieval via Document Screenshot Embedding · EMNLP 2024 记录通过文档截图表示进行多模态检索的问题。 | Xueguang Ma; Sheng-Chieh Lin; Minghan Li; Wenhu Chen; Jimmy Lin | 2024 | T3 | [DOI] |
| P039 | ColPali: Efficient Document Retrieval with Vision Language Models · ICLR 2025 记录用视觉语言表示检索文档页面的问题。 | Manuel Faysse; Hugues Sibille; Tony Wu; Bilel Omrani; Gautier Viaud; Céline Hudelot; Pierre Colombo | 2025 | T3 | [arXiv] |
| P040 | VisRAG: Vision-based Retrieval-augmented Generation on Multi-modality Documents · ICLR 2025 记录直接检索图像证据并用于回答的路线。 | Shi Yu; Chaoyue Tang; Bokai Xu; Junbo Cui; Junhao Ran; Yukun Yan; Zhenghao Liu; Shuo Wang; Xu Han; Zhiyuan Liu; Maosong Sun | 2025 | T3 | [arXiv] |
| P041 | Vision-Text Augmentation: Visual Composition as an Optimization Axis for Language Tasks · OpenReview anonymous manuscript / ACL submission 记录视觉排版组合如何影响语言任务的问题。 | — | 2026 | T3 | |
| P042 | Enhancing Multimodal Product Retrieval in E-Commerce by Reversing Typographic Attacks · UniReps: The Third Edition of the Workshop on Unifying Representations in Neural Models 记录利用排印干扰改进商品检索的问题。 | Janet Jenq; Hongda Shen | 2026 | T3 | |
| P043 | Reading Between the Pixels: Linking Text-Image Embedding Alignment to Typographic Attack Success on Vision-Language Models · ICLR 2026 Workshop on Agents in the Wild 记录文字图像表示对齐与排印攻击之间的关系。 | Ravikumar Balakrishnan; Sanket Mendapara; Ankit Garg | 2026 | T3 | [arXiv] |
| P044 | DocVXQA: Context-Aware Visual Explanations for Document Question Answering · ICML 2025 记录文档问答中与上下文相关的视觉解释问题。 | Mohamed Ali Souibgui; Changkyu Choi; Andrey Barsky; Kangsoo Jung; Ernest Valveny; Dimosthenis Karatzas | 2025 | T4 | |
| P045 | Seeing but Not Believing: Probing the Disconnect Between Visual Attention and Answer Correctness in VLMs · ICLR 2026 记录视觉注意与回答正确性不一致的问题。 | — | 2026 | T4 | |
| P046 | SciEGQA: A Dataset for Scientific Evidence-Grounded Question Answering and Reasoning 记录科研问答中让答案有证据依据的数据问题。 | — | 2026（来源登记年份；不据 arXiv 标识推定本卡具体实验版本或日期） | T4 | [arXiv] |
| P047 | Magnifying What Matters: Attention-Guided Adaptive Rendering for Visual Text Comprehension · NeurIPS 2026 记录通过注意引导局部渲染来阅读视觉文字的问题。 | Shenglai Zeng; Qirui Wang; Kai Guo; Xinnan Dai; Xianxuan Long; Hui Liu | 2026 | T4 | [arXiv] |
| P048 | Unveiling Inherent Visual Grounding in Multimodal LLMs for Text-Rich Images · Findings of ACL 2026 记录富文字图像中模型的视觉证据定位问题。 | Shijie Zhou; Jihyung Kil; Ming Li; Jiuxiang Gu; Curtis Wigington; Rajiv Jain; Changyou Chen; Ruiyi Zhang | 2026 | T4 | [DOI] |
| P049 | DocVAL: Validated Chain-of-Thought Distillation for Grounded Document VQA · ICML 2026 记录用经验证的推理过程训练有证据文档问答的问题。 | Pinaki Prasad Guha Neogi; Ahmad Mohammadshirazi; Ser-Nam Lim; Rajiv Ramnath | 2026 | T4 | |
| P050 | DocAttriBench: Benchmarking Answer Grounding in Document Visual Question Answering · BMVC 2026 记录文档问答答案是否真正有证据支撑的评价问题。 | Luca De Grandis; Silvia Cappelletti; William Raccagni; Marcella Cornia; Lorenzo Baraldi; Rita Cucchiara | 2026 | T4 | [arXiv] |
| P051 | Extracting the Latent Hierarchical Structure of Web Documents · Second International Conference on Signal-Image Technology and Internet-Based Systems（SITIS 2006）；后收入 Springer LNCS revised selected papers 记录从网页外观恢复隐藏逻辑层级的问题。 | Michael A. El-Shayeb; Samhaa R. El-Beltagy; Ahmed Rafea | 2006（来源登记的 SITIS conference 年；revised LNCS 实际出版年未知，不补猜） | T1 | [DOI] →2 |
| P052 | Logical Structure Recovery in Scholarly Articles with Rich Document Features · International Journal of Digital Library Systems, 1(4), 1–23 记录用文档特征恢复学术文章逻辑结构的问题。 | Minh-Thang Luong; Thuy Dung Nguyen; Min-Yen Kan | 2010 | T1 | [DOI] |
| P053 | Structure Extraction from PDF-based Book Documents · 11th ACM/IEEE-CS Joint Conference on Digital Libraries（JCDL 2011）, pp. 11–20 记录从PDF书籍中提取文档结构的问题。 | Liangcai Gao et al.（来源未给完整作者名单，不补全） | 2011 | T1 | [DOI] |
| P054 | Extracting Logical Hierarchical Structure of HTML Documents Based on Headings · Proceedings of the VLDB Endowment, 8(12), 1606–1617 记录依据标题恢复HTML文档层级的问题。 | Tomohiro Manabe; Keishi Tajima | 2015 | T1 | [DOI] |
| P055 | A Machine-Learning Based Approach for Extracting Logical Structure of a Styled Document · KSII Transactions on Internet and Information Systems, 11(2), 1043–1056 记录用机器学习恢复带样式文档逻辑结构的问题。 | Tae-young Kim et al.（来源未给完整作者名单，不补全） | 2017 | T1 | [DOI] |
| P056 | DocParser: Hierarchical Document Structure Parsing from Renderings · AAAI 2021, 35(5), 4328–4338 记录从渲染页面恢复文档层级结构的问题。 | Johannes Rausch; Octavio Martinez; Fabian Bissig; Ce Zhang; Stefan Feuerriegel | 2021 | T1 | [DOI] →1 |
| P057 | Extracting Variable-Depth Logical Document Hierarchy from Long Documents: Method, Evaluation, and Application · Journal of Computer Science and Technology, 37(3), 699–718 记录长文档的可变深度层级恢复及其应用。 | Rong-Yu Cao; Yi-Xuan Cao; Gan-Bin Zhou; Ping Luo | 2022 | T1 | [DOI] |
| P058 | HRDoc: Dataset and Baseline Method toward Hierarchical Reconstruction of Document Structures · AAAI 2023, 37(2), 1870–1877 记录文档层级重建的数据与基线方法。 | — | 2023 | T1 | [DOI] →1 |
| P059 | DSG: An End-to-End Document Structure Generator · IEEE International Conference on Data Mining (ICDM 2023), 518–527 记录端到端生成文档结构的问题。 | — | 2023 | T1 | [DOI] →1 |
| P060 | DocHieNet: A Large and Diverse Dataset for Document Hierarchy Parsing · EMNLP 2024 Main Conference, 1129–1142 记录文档层级解析的多样化数据问题。 | — | 2024 | T1 | [DOI] |
| P061 | Detect-Order-Construct: A Tree Construction Based Approach for Hierarchical Document Structure Analysis · Pattern Recognition, Volume 156, Article 110836 记录通过检测、排序和构树恢复文档层级的问题。 | Jiawei Wang; Kai Hu; Zhuoyao Zhong; Lei Sun; Qiang Huo | 2024 | T1 | [DOI] →1 |
| P062 | UniHDSA: A Unified Relation Prediction Approach for Hierarchical Document Structure Analysis · Pattern Recognition, Volume 165, Article 111617 记录统一预测关系以恢复文档层级的问题。 | Jiawei Wang; Kai Hu; Qiang Huo | 2025 | T1 | [DOI] |
| P063 | Graph-based Document Structure Analysis · International Conference on Learning Representations (ICLR 2025) 记录用图表示进行文档结构分析的问题。 | Yufan Chen et al. | 2025 | T1 | |
| P064 | SuperRAG: Beyond RAG with Layout-Aware Graph Modeling · NAACL 2025 Industry Track, 544–557 记录用版面关系图组织检索证据的问题。 | Chening Yang et al. | 2025 | T1 | [DOI] →1 |
| P065 | LAD-RAG: Layout-aware Dynamic RAG for Visually-Rich Document Understanding · ACL 2026 Main Conference, Long Papers, 15945–15968 记录跨页关系与动态证据检索的问题。 | Zhivar Sourati et al. | 2026 | T1 | [DOI] |
数据来源：research-map/nodes.jsonl・edges.jsonl（R 整理，2026-10-24）。