MinerU-Diffusion: Ripensare l'OCR dei documenti come rendering inverso tramite decodifica diffusion

MinerU-Diffusion: Rethinking Document OCR as Inverse Rendering via Diffusion Decoding

March 23, 2026

Autori: Hejun Dong, Junbo Niu, Bin Wang, Weijun Zeng, Wentao Zhang, Conghui He

cs.AI

Abstract

L'OCR (riconoscimento ottico dei caratteri) si è evoluto dalla trascrizione a livello di riga all'analisi strutturata di documenti, richiedendo ai modelli di ricostruire sequenze di lunga durata contenenti layout, tabelle e formule. Nonostante i recenti progressi nei modelli visione-linguaggio, la maggior parte dei sistemi esistenti si basa su decodifica autoregressiva, che introduce latenza sequenziale e amplifica la propagazione degli errori nei documenti lunghi. In questo lavoro, riaffrontiamo l'OCR documentale da una prospettiva di inverse rendering, sostenendo che la generazione causale da sinistra a destra sia un artefatto della serializzazione piuttosto che una proprietà intrinseca del compito. Motivati da questa intuizione, proponiamo MinerU-Diffusion, un framework unificato basato sulla diffusione che sostituisce la decodifica sequenziale autoregressiva con la denoising parallela per diffusione sotto condizionamento visivo. MinerU-Diffusion utilizza un decoder di diffusione basato su blocchi e una strategia di apprendimento per curriculum guidata dall'incertezza per consentire un addestramento stabile e un'inferenza efficiente su sequenze lunghe. Esperimenti estensivi dimostrano che MinerU-Diffusion migliora costantemente la robustezza, raggiungendo fino a 3,2 volte una decodifica più rapida rispetto ai baseline autoregressivi. Le valutazioni sul benchmark proposto Semantic Shuffle confermano ulteriormente la sua ridotta dipendenza da prior linguistiche e una più forte capacità di OCR visivo.

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.