2025首篇关于多模态大模型在富文本图像理解上的全面研究综述

文本丰富的图像（如文档、图表、场景图等）在现实场景中扮演着重要角色，准确理解这些图像对于自动化信息提取和优化用户交互至关重要。文本丰富图像理解（Text-rich Image Understanding, TIU）领域涉及两个核心能力：

• 感知（如文本检测、识别）
• 理解（如信息抽取、视觉问答）

多模态大语言模型（MLLMs）的出现为文本丰富的图像理解（TIU）领域带来了新的维度，系统地分析了该领域 MLLMs的时间线、架构、训练流程、数据集与基准测试。

TIU MLLMs时间线

1、模型架构

TIU MLLMs的框架通常包括三个核心组件：视觉编码器、模态连接器和LLM解码器。

• 视觉编码器：负责将输入图像转换为特征表示，分为OCR-free（如CLIP、ConvNeXt）和OCR-based（如LayoutLMv3）两种方式。混合编码器结合了两者的优点。

现代LLMs的进化树追溯了近年来语言模型的发展，并突出了其中一些最知名的模型。根据编码器的分类，蓝色分支代表OCR-free（无OCR），粉色分支代表OCR-based（基于OCR），绿色分支代表混合编码器。

• 模态连接器：用于将视觉特征与语言特征对齐，常见的方法包括线性投影、多层感知机（MLP）、交叉注意力等。
• LLM解码器：将对齐后的特征输入LLM进行推理，生成最终答案。常用的LLM包括LLaMA系列、Qwen系列、Vicuna系列和InternLM系列。

2、训练流程

MLLM的训练分为三个阶段：模态对齐、指令对齐和偏好对齐。

代表性主流多模态大语言模型（MLLMs）的总结，包括模型架构、训练流程以及在TIU领域四个最受欢迎基准测试中的得分。“Private”表示该MLLM使用了专有的大型模型。“†”表示结果是通过下载官方开源模型并在本地测试获得的。

• 模态对齐：通过OCR数据预训练模型，弥合视觉和语言模态之间的差距。任务包括文本识别、文本定位、图表解析等。
• 指令对齐：通过指令微调（SFT）提升模型的多模态感知、跨模态推理能力和零样本泛化能力。分为视觉-语义锚定、提示多样化增强和零样本泛化三个层次。
• 偏好对齐：优化模型输出以符合人类价值观和期望，如通过混合偏好优化（MPO）提升模型性能。

3、 数据集与基准测试

TIU任务的发展依赖于大量专门的数据集和标准化基准测试。这些数据集分为领域特定（如文档、图表、场景、表格、GUI）和综合场景两大类。

文本丰富图像理解领域的代表性数据集和基准测试。每个数据集通常根据其内容、功能和用户需求标记为训练或测试用途。

例如：

• 文档：DocVQA、InfoVQA、DocGenome等。
• 图表：ChartQA、PlotQA、ChartBench等。
• 场景：TextCaps、TextVQA、ICDAR系列等。
• 表格：TableQA、WikiTableQuestions、TableVQA-Bench等。
• 综合：OCRbench、Seed-bench-2-plus、MMDocBench等。

https://arxiv.org/pdf/2502.16586 
Multimodal Large Language Models for Text-rich Image Understanding: AComprehensive Review

本文转载自​​PaperAgent​​