本文档属于类型a，即单篇原创研究的报告。以下是对该研究的学术报告：
该研究的主要作者包括Jiawei Wang、Kai Hu和Qiang Huo。Jiawei Wang和Kai Hu来自中国科学技术大学电子工程与信息科学系（Department of EEIS, University of Science and Technology of China），而Qiang Huo则来自微软亚洲研究院（Microsoft Research Asia）。该研究于2025年3月27日提交至《Pattern Recognition》期刊。
研究的主要科学领域是文档结构分析（Document Structure Analysis），特别是分层文档结构分析（Hierarchical Document Structure Analysis, HDSA）。文档结构分析在信息检索、文档摘要和知识提取等领域中至关重要。传统的文档结构分析主要分为两种方法：一种是针对特定子任务（如表检测或阅读顺序预测）的独立处理，另一种是采用多分支或多模块的统一框架。然而，这些方法存在级联错误、效率低下和扩展性差等问题。因此，本研究提出了一种名为UniHDSA的统一关系预测方法，旨在通过将各种HDSA子任务视为关系预测问题，并将这些任务的标签整合到一个统一的标签空间中，从而提高系统的效率、扩展性和适应性。
研究流程主要包括以下几个步骤：
问题定义：HDSA涉及在页面级和文档级理解文档中的关系。页面级任务包括文本区域检测、逻辑角色分类和阅读顺序预测；文档级任务包括目录提取、分层列表提取、跨页表格分组和跨页段落分组。
多模态特征提取模块：研究采用视觉骨干网络（如ResNet-50）和预训练语言模型（如BERT）来提取文档的视觉和语义特征。视觉特征通过视觉骨干网络从文档图像中提取，而语义特征则通过语言模型从OCR或PDF解析器中提取的文本行生成。
页面级结构分析模块：该模块基于Transformer架构，包括多层Transformer编码器和解码器、统一关系预测头和粗到细回归头。模块首先通过视觉骨干网络提取多尺度特征，然后通过Transformer编码器增强这些特征。接着，模块采用类型化查询选择策略，从编码器特征中选择潜在的图形对象建议框，并将其与文本行一起作为查询输入到Transformer解码器中。最后，通过统一关系预测头处理这些查询，预测它们之间的逻辑关系。
文档级结构分析模块：该模块同样基于Transformer架构，包括多层Transformer编码器和统一关系预测头。模块首先将页面级结构分析模块输出的查询分组为文本块查询和图形对象查询，然后通过Transformer编码器进一步增强这些查询的表示。最后，通过统一关系预测头处理这些查询，预测它们之间的文档级逻辑关系。
优化：研究采用多种损失函数来优化模型，包括图形页面对象检测损失、统一关系预测损失和整体损失。图形页面对象检测损失采用L1损失和GIoU损失的线性组合，统一关系预测损失采用Softmax交叉熵损失，整体损失则是这些损失的加权和。
研究在多个基准数据集上验证了UniHDSA的有效性，包括Comp-HRDoc和DocLayNet。实验结果表明，UniHDSA在Comp-HRDoc基准上实现了最先进的性能，在DocLayNet数据集上也取得了具有竞争力的结果。具体来说，UniHDSA在页面对象检测、阅读顺序预测、目录提取和分层文档重建等任务中均表现出色。例如，在Comp-HRDoc基准上，UniHDSA在页面对象检测任务中的分割mAP达到了91.2%，在阅读顺序预测任务中的文本区域REDS达到了96.7%，在目录提取任务中的micro-STEDS达到了88.3%。
UniHDSA通过将各种HDSA子任务视为关系预测问题，并将这些任务的标签整合到一个统一的标签空间中，显著减少了级联错误，提高了系统的效率、扩展性和适应性。研究还开发了一个基于Transformer架构的多模态端到端系统，进一步验证了UniHDSA的有效性。该研究为文档结构分析领域提供了新的方法和工具，具有重要的科学价值和应用价值。
研究还讨论了UniHDSA在处理长文档时的扩展性、语义特征对模型性能的影响以及关系预测性能的分析。例如，研究表明，即使在训练时使用较短的文档样本，UniHDSA在处理长文档时仍然表现出色。此外，研究还分析了不同视觉骨干网络对模型性能的影响，结果表明，使用ResNet-50作为视觉骨干网络时，UniHDSA的整体性能最佳。