文本布局联合建模

ViTLP（Text-Layout Pre-training）是一种视觉文档理解（VDU）模型，能够从文档图像中联合建模文本和布局信息。它通过分层生成模块和多分段生成预训练方案，有效地处理长文档，并在微调中处理任意长度的文档。ViTLP解决了传统VDU模型依赖OCR管道和忽略布局信息的问题，提供了一种更高效的文档理解方式。