Buchumschlag

DocParseNet: Advanced Semantic Segmentation and OCR Embeddings for Efficient Scanned Document Annotation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Mohammadshirazi, Ahmad, Firoozsalari, Ali Nosrati, Zhou, Mengxi, Kulshrestha, Dheeraj, Ramnath, Rajiv
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

ARIAL: An Agentic Framework for Document VQA with Precise Answer Localization
von: Mohammadshirazi, Ahmad, et al.
Veröffentlicht: (2025)

MGA-VQA: Secure and Interpretable Graph-Augmented Visual Question Answering with Memory-Guided Protection Against Unauthorized Knowledge Use
von: Mohammadshirazi, Ahmad, et al.
Veröffentlicht: (2025)

Exploiting the Experts: Unauthorized Compression in MoE-LLMs
von: Neogi, Pinaki Prasad Guha, et al.
Veröffentlicht: (2025)

DLaVA: Document Language and Vision Assistant for Answer Localization with Enhanced Interpretability and Trustworthiness
von: Mohammadshirazi, Ahmad, et al.
Veröffentlicht: (2024)

InsightBuild: LLM-Powered Causal Reasoning in Smart Building Systems
von: Neogi, Pinaki Prasad Guha, et al.
Veröffentlicht: (2025)

PIAD-SRNN: Physics-Informed Adaptive Decomposition in State-Space RNN
von: Mohammadshirazi, Ahmad, et al.
Veröffentlicht: (2024)

ALCo-FM: Adaptive Long-Context Foundation Model for Accident Prediction
von: Neogi, Pinaki Prasad Guha, et al.
Veröffentlicht: (2025)

OmniDocBench: Benchmarking Diverse PDF Document Parsing with Comprehensive Annotations
von: Ouyang, Linke, et al.
Veröffentlicht: (2024)

Multimodal OCR: Parse Anything from Documents
von: Zheng, Handong, et al.
Veröffentlicht: (2026)

Masked LoGoNet: Fast and Accurate 3D Image Analysis for Medical Domain
von: Monsefi, Amin Karimi, et al.
Veröffentlicht: (2024)

DocPTBench: Benchmarking End-to-End Photographed Document Parsing and Translation
von: Du, Yongkun, et al.
Veröffentlicht: (2025)

KnobGen: Controlling the Sophistication of Artwork in Sketch-Based Diffusion Models
von: Navard, Pouyan, et al.
Veröffentlicht: (2024)

FastOCR: Dynamic Visual Fixation via KV Cache Pruning for Efficient Document Parsing
von: Tang, Zihan, et al.
Veröffentlicht: (2026)

MeDocVL: A Visual Language Model for Medical Document Understanding and Parsing
von: Wang, Wenjie, et al.
Veröffentlicht: (2026)

Frequency-Guided Masking for Enhanced Vision Self-Supervised Learning
von: Monsefi, Amin Karimi, et al.
Veröffentlicht: (2024)

mPLUG-DocOwl 1.5: Unified Structure Learning for OCR-free Document Understanding
von: Hu, Anwen, et al.
Veröffentlicht: (2024)

MonkeyOCR: Document Parsing with a Structure-Recognition-Relation Triplet Paradigm
von: Li, Zhang, et al.
Veröffentlicht: (2025)

mPLUG-DocOwl2: High-resolution Compressing for OCR-free Multi-page Document Understanding
von: Hu, Anwen, et al.
Veröffentlicht: (2024)

Dr. DocBench: A Comprehensive Benchmark for Expert-Level and Difficult Document Parsing
von: Yang, Minglai, et al.
Veröffentlicht: (2026)

Real5-OmniDocBench: A Full-Scale Physical Reconstruction Benchmark for Robust Document Parsing in the Wild
von: Zhou, Changda, et al.
Veröffentlicht: (2026)

Controlla: Learning Controllability via Graph-Constrained Latent Geometry
von: Murthy, Jamuna S., et al.
Veröffentlicht: (2026)

TC-OCR: TableCraft OCR for Efficient Detection & Recognition of Table Structure & Content
von: Anand, Avinash, et al.
Veröffentlicht: (2024)

MonkeyOCR v1.5 Technical Report: Unlocking Robust Document Parsing for Complex Patterns
von: Zhang, Jiarui, et al.
Veröffentlicht: (2025)

AgenticOCR: Parsing Only What You Need for Efficient Retrieval-Augmented Generation
von: Wang, Zhengren, et al.
Veröffentlicht: (2026)

ESA: Annotation-Efficient Active Learning for Semantic Segmentation
von: Ge, Jinchao, et al.
Veröffentlicht: (2024)

Seeing Straight: Document Orientation Detection for Efficient OCR
von: Goswami, Suranjan, et al.
Veröffentlicht: (2025)

Cross-Lingual SynthDocs: A Large-Scale Synthetic Corpus for Any to Arabic OCR and Document Understanding
von: Al-Homoud, Haneen, et al.
Veröffentlicht: (2025)

Efficient and Interpretable Information Retrieval for Product Question Answering with Heterogeneous Data
von: Biswas, Biplob, et al.
Veröffentlicht: (2024)

ProMi: An Efficient Prototype-Mixture Baseline for Few-Shot Segmentation with Bounding-Box Annotations
von: Chiaroni, Florent, et al.
Veröffentlicht: (2025)

DocSynthv2: A Practical Autoregressive Modeling for Document Generation
von: Biswas, Sanket, et al.
Veröffentlicht: (2024)

Infinity Parser: Layout Aware Reinforcement Learning for Scanned Document Parsing
von: Wang, Baode, et al.
Veröffentlicht: (2025)

Lost in OCR Translation? Vision-Based Approaches to Robust Document Retrieval
von: Most, Alexander, et al.
Veröffentlicht: (2025)

PaddleOCR-VL-1.5: Towards a Multi-Task 0.9B VLM for Robust In-the-Wild Document Parsing
von: Cui, Cheng, et al.
Veröffentlicht: (2026)

CrashFormer: A Multimodal Architecture to Predict the Risk of Crash
von: Monsefi, Amin Karimi, et al.
Veröffentlicht: (2024)

Enhancement of Bengali OCR by Specialized Models and Advanced Techniques for Diverse Document Types
von: Rabby, AKM Shahariar Azad, et al.
Veröffentlicht: (2024)

OCR-Quality: A Human-Annotated Dataset for OCR Quality Assessment
von: Zhang, Yulong
Veröffentlicht: (2025)

PaddleOCR-VL: Boosting Multilingual Document Parsing via a 0.9B Ultra-Compact Vision-Language Model
von: Cui, Cheng, et al.
Veröffentlicht: (2025)

Noisy Annotations in Semantic Segmentation
von: Kimhi, Moshe, et al.
Veröffentlicht: (2024)

ERPA: Efficient RPA Model Integrating OCR and LLMs for Intelligent Document Processing
von: Abdellaif, Osama, et al.
Veröffentlicht: (2024)

DetailCLIP: Detail-Oriented CLIP for Fine-Grained Tasks
von: Monsefi, Amin Karimi, et al.
Veröffentlicht: (2024)