MambaDocNet: Scalable multilingual document understanding for complex script structures

doi:10.1016/j.patcog.2026.115093

MambaDocNet: Scalable multilingual document understanding for complex script structures

2026-10-08

0

PRE

AI

DOI：10.1016/j.patcog.2026.115093

原文链接

原文求助

摘要

En 中文

印度文字（如印地语、孟加拉语和奥里亚语）展现出复杂的视觉构图，具有密集连字、堆叠修饰符和非线性字符组合。这些特性使得Transformer基模型在文档理解方面尤其具有挑战性，由于二次注意力复杂度和对涉及印度文字结构的任务泛化能力弱，存在可扩展性问题。为克服这些限制，我们提出MambaDocNet，一个用于多语言文档实体检测与分割的统一且高效的框架。该模型利用Mamba编码器中的选择性状态空间模型（SSMs）高效捕获长距离依赖关系，同时保持线性计算复杂度。空间感知嵌入保留文档布局信息，轻量级任务特定解码器实现精细文本区域检测与分割。在基准数据集上的广泛实验表明，其结果在统计上与许多文本、布局和基于图像的基线相当。MambaDocNet在FUNSD上达到93.8%的F1分数，在CORD上达到97.7%，在SROIE上达到97.2%，并在IndicScript数据集上与当前最优结果保持竞争力，分别为67.9%（奥里亚语）、68.1%（孟加拉语）和70.4%（印地语）。MambaDocNet在印度文字文档的检测和分割任务上保持可扩展性，同时具有良好的泛化能力。

Keyword:

Document understanding

State space models (SSM)

Multilingual learning

MAMBA

Document image

MambaDocNet: Scalable multilingual document understanding for complex script structures

摘要

期刊

机构

引用论文