Buchumschlag

MDPBench: A Benchmark for Multilingual Document Parsing in Real-World Scenarios

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Zhang, Lin, Zhibo, Liu, Qiang, Zhang, Ziyang, Zhang, Shuo, Guo, Zidun, Song, Jiajun, Zhang, Jiarui, Bai, Xiang, Liu, Yuliang
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

TextMonkey: An OCR-Free Large Multimodal Model for Understanding Document
von: Liu, Yuliang, et al.
Veröffentlicht: (2024)

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

DocThinker: Explainable Multimodal Large Language Models with Rule-based Reinforcement Learning for Document Understanding
von: Yu, Wenwen, et al.
Veröffentlicht: (2025)

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

OmniParser V2: Structured-Points-of-Thought for Unified Visual Text Parsing and Its Generality to Multimodal Large Language Models
von: Yu, Wenwen, et al.
Veröffentlicht: (2025)

dots.ocr: Multilingual Document Layout Parsing in a Single Vision-Language Model
von: Li, Yumeng, et al.
Veröffentlicht: (2025)

How Far Is Document Parsing from Solved? PureDocBench: A Source-TraceableBenchmark across Clean, Degraded, and Real-World Settings
von: Li, Zhiheng, et al.
Veröffentlicht: (2026)

ParseBench: A Document Parsing Benchmark for AI Agents
von: Zhang, Boyang, et al.
Veröffentlicht: (2026)

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

Towards Real-World Document Parsing via Realistic Scene Synthesis and Document-Aware Training
von: Li, Gengluo, et al.
Veröffentlicht: (2026)

Toward Generalizable Deblurring: Leveraging Massive Blur Priors with Linear Attention for Real-World Scenarios
von: Gao, Yuanting, et al.
Veröffentlicht: (2026)

Dataset and Benchmark for Urdu Natural Scenes Text Detection, Recognition and Visual Question Answering
von: Maryam, Hiba, et al.
Veröffentlicht: (2024)

PhoStream: Benchmarking Real-World Streaming for Omnimodal Assistants in Mobile Scenarios
von: Lu, Xudong, et al.
Veröffentlicht: (2026)

SemiETS: Integrating Spatial and Content Consistencies for Semi-Supervised End-to-end Text Spotting
von: Luo, Dongliang, et al.
Veröffentlicht: (2025)

What-If World: A Causal Benchmark for General World Models in Embodied Scenarios
von: Cai, Kunlin, et al.
Veröffentlicht: (2026)

MME-RealWorld: Could Your Multimodal LLM Challenge High-Resolution Real-World Scenarios that are Difficult for Humans?
von: Zhang, Yi-Fan, et al.
Veröffentlicht: (2024)

Monkey: Image Resolution and Text Label Are Important Things for Large Multi-modal Models
von: Li, Zhang, et al.
Veröffentlicht: (2023)

LIRA: Inferring Segmentation in Large Multi-modal Models with Local Interleaved Region Assistance
von: Li, Zhang, et al.
Veröffentlicht: (2025)

OmniGround: A Comprehensive Spatio-Temporal Grounding Benchmark for Real-World Complex Scenarios
von: Gao, Hong, et al.
Veröffentlicht: (2025)

MSTAR: Box-free Multi-query Scene Text Retrieval with Attention Recycling
von: Yin, Liang, et al.
Veröffentlicht: (2025)

CBVS: A Large-Scale Chinese Image-Text Benchmark for Real-World Short Video Search Scenarios
von: Qiao, Xiangshuo, et al.
Veröffentlicht: (2024)

Boosting Document Parsing Efficiency and Performance with Coarse-to-Fine Visual Processing
von: Cui, Cheng, et al.
Veröffentlicht: (2026)

MTVQA: Benchmarking Multilingual Text-Centric Visual Question Answering
von: Tang, Jingqun, et al.
Veröffentlicht: (2024)

Stable-Hair: Real-World Hair Transfer via Diffusion Model
von: Zhang, Yuxuan, et al.
Veröffentlicht: (2024)

Remote Photoplethysmography in Real-World and Extreme Lighting Scenarios
von: Shao, Hang, et al.
Veröffentlicht: (2025)

PartGLEE: A Foundation Model for Recognizing and Parsing Any Objects
von: Li, Junyi, et al.
Veröffentlicht: (2024)

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

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

Stanford-ORB: A Real-World 3D Object Inverse Rendering Benchmark
von: Kuang, Zhengfei, et al.
Veröffentlicht: (2023)

SciFlow-Bench: Evaluating Structure-Aware Scientific Diagram Generation via Inverse Parsing
von: Zhang, Tong, et al.
Veröffentlicht: (2026)

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

One-Shot Multilingual Font Generation Via ViT
von: Wang, Zhiheng, et al.
Veröffentlicht: (2024)

World2VLM: Distilling World Model Imagination into VLMs for Dynamic Spatial Reasoning
von: Zhang, Wanyue, et al.
Veröffentlicht: (2026)

RealVLG-R1: A Large-Scale Real-World Visual-Language Grounding Benchmark for Robotic Perception and Manipulation
von: Li, Linfei, et al.
Veröffentlicht: (2026)

Dolphin: Document Image Parsing via Heterogeneous Anchor Prompting
von: Feng, Hao, et al.
Veröffentlicht: (2025)

DOCR-Inspector: Fine-Grained and Automated Evaluation of Document Parsing with VLM
von: Zhang, Qintong, 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)

Dolphin-v2: Universal Document Parsing via Scalable Anchor Prompting
von: Feng, Hao, et al.
Veröffentlicht: (2026)

Training-free Geometric Image Editing on Diffusion Models
von: Zhu, Hanshen, et al.
Veröffentlicht: (2025)