也看多模态文档训练数据该如何合成？DocGenome、MonkeyOCR方案

主要观点总结

本文主要介绍了文档智能领域的两个典型案例，DocGenome和MonkeyOCR，它们分别从数据工程角度进行了多模态文档大模型研发的工作。DocGenome的文档解析数据合成方案和MonkeyOCR的文档训练数据构建方案是本文的重点。其中，DocGenome通过DocParser进行数据预处理、单元分割、属性分配与关系检索以及颜色渲染，实现文档数据的高质量合成。而MonkeyOCR则通过结构检测、内容识别和关系预测三个阶段的数据构建方式，来构建文档训练数据集。

关键观点总结

关键观点1: DocGenome的文档解析数据合成方案

DocGenome通过四个阶段的实现：数据预处理、单元分割、属性分配与关系检索以及颜色渲染，旨在提高数据质量和增强LATEX源代码的编译成功率。该方案包括使用TexSoup进行单元分割，以及通过关键词查询和正则化技术为组件单元匹配适当的属性等。

关键观点2: MonkeyOCR的文档训练数据构建方案

MonkeyOCR的数据构建方式包括结构检测、内容识别和关系预测三个阶段。在结构检测阶段，从多个公开可用的结构检测数据集中汇总并筛选数据；内容识别阶段涉及对关键文档元素的识别与转录；关系预测阶段则确定检测到的文档元素间的逻辑阅读顺序。

关键观点3: 开源数据集和工具

文章中提到了多个开源数据集和工具，如DocGenome、MonkeyDoc、M6Doc、DocLayNet、D4LA、CDLA等，这些资源对于文档智能领域的研究和实践具有重要意义。