Visual Document Retrieval
PulseAugur coverage of Visual Document Retrieval — every cluster mentioning Visual Document Retrieval across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
EVIE系统通过新颖的嵌入和压缩技术增强视觉文档检索
研究人员推出了一款名为EVIE的新型视觉文档检索系统系列，旨在提高准确性和效率。EVIE集成了三项关键创新：用于更好阳性识别的证据判断数据治理；用于跨多个嵌入维度进行高效表示学习的带Prefix-MRL的双向师生学习；以及用于减少存储的层次凝聚索引压缩。实验表明，EVIE-8B在各种任务上优于现有基线，而EVIE-4.5B在准确性损失最小的情况下显著减小了存储大小。
-
AnchorFold框架提升视觉文档检索效率
研究人员推出了一种新颖的AnchorFold框架，旨在提高多向量视觉文档检索的效率。该框架无需训练，通过识别关键的“锚点”标记来压缩视觉块嵌入，然后围绕这些锚点聚合周围标记的信息。与现有的无训练基线相比，AnchorFold表现出优越的性能，在基准数据集上实现了显著压缩率下的近乎无损压缩。
-
MM-Matryoshka框架提供预算弹性的视觉文档检索
研究人员推出了一种新颖的二维训练框架MM-Matryoshka，旨在使视觉文档检索更具预算弹性。该方法允许单个模型通过选择灵活的向量宽度和编码器深度预算来根据可用计算资源调整其检索准确性。实验表明，与现有方法相比，MM-Matryoshka在保持高质量检索的同时，显著降低了存储和计算开销。
-
新的剪枝方法大幅减小视觉文档检索模型尺寸
研究人员开发了一种新颖的无训练方法——结构锚点剪枝（SAP），用于压缩视觉文档检索模型。SAP通过识别和剪枝冗余的视觉标记来解决这些模型中多向量索引的显著存储开销问题，且无需依赖查询进行训练。该框架利用得分保留诊断和视觉入度中心性评分器，在保持高检索精度的同时有效减小了索引尺寸。