MinerU-Diffusion: Replanteamiento del OCR de Documentos como Renderizado Inverso mediante Decodificación por Difusión
MinerU-Diffusion: Rethinking Document OCR as Inverse Rendering via Diffusion Decoding
March 23, 2026
Autores: Hejun Dong, Junbo Niu, Bin Wang, Weijun Zeng, Wentao Zhang, Conghui He
cs.AI
Resumen
El reconocimiento óptico de caracteres (OCR) ha evolucionado desde la transcripción a nivel de línea hasta el análisis estructurado de documentos, lo que requiere que los modelos recuperen secuencias de formato largo que contienen diseños, tablas y fórmulas. A pesar de los recientes avances en los modelos de visión y lenguaje, la mayoría de los sistemas existentes dependen de la decodificación autoregresiva, lo que introduce latencia secuencial y amplifica la propagación de errores en documentos extensos. En este trabajo, revisitamos el OCR de documentos desde una perspectiva de renderizado inverso, argumentando que la generación causal de izquierda a derecha es un artefacto de la serialización más que una propiedad intrínseca de la tarea. Motivados por esta idea, proponemos MinerU-Diffusion, un marco unificado basado en difusión que reemplaza la decodificación secuencial autoregresiva con una desruidificación por difusión paralela bajo condicionamiento visual. MinerU-Diffusion emplea un decodificador de difusión por bloques y una estrategia de aprendizaje curricular impulsada por incertidumbre para permitir un entrenamiento estable y una inferencia eficiente en secuencias largas. Experimentos exhaustivos demuestran que MinerU-Diffusion mejora consistentemente la robustez mientras logra una decodificación hasta 3.2 veces más rápida en comparación con los métodos autoregresivos de referencia. Las evaluaciones en el benchmark propuesto Semantic Shuffle confirman además su reducida dependencia de previos lingüísticos y su capacidad de OCR visual más sólida.
English
Optical character recognition (OCR) has evolved from line-level transcription to structured document parsing, requiring models to recover long-form sequences containing layout, tables, and formulas. Despite recent advances in vision-language models, most existing systems rely on autoregressive decoding, which introduces sequential latency and amplifies error propagation in long documents. In this work, we revisit document OCR from an inverse rendering perspective, arguing that left-to-right causal generation is an artifact of serialization rather than an intrinsic property of the task. Motivated by this insight, we propose MinerU-Diffusion, a unified diffusion-based framework that replaces autoregressive sequential decoding with parallel diffusion denoising under visual conditioning. MinerU-Diffusion employs a block-wise diffusion decoder and an uncertainty-driven curriculum learning strategy to enable stable training and efficient long-sequence inference. Extensive experiments demonstrate that MinerU-Diffusion consistently improves robustness while achieving up to 3.2x faster decoding compared to autoregressive baselines. Evaluations on the proposed Semantic Shuffle benchmark further confirm its reduced dependence on linguistic priors and stronger visual OCR capability.