RT-DocLayout: Real-Time End-to-End Document Layout Analysis with Reading Order in the Wild¶

会议: ECCV 2026
论文: ECCV 原文
代码: https://github.com/PaddlePaddle/PaddleOCR
领域: 目标检测
关键词: 文档版面分析, 阅读顺序预测, 端到端多任务, 像素级掩码, 实时推理

一句话总结¶

RT-DocLayout 在 RT-DETR 上把版面元素的分类、边框回归、像素级掩码和阅读顺序预测统一进同一个查询解码器，用 33M 参数在 OmniDocBench v1.5 与 Real5-OmniDocBench 上取得最好的整文档解析准确率（94.50 / 92.05 Overall），同时在 A100 上以 batch size 32 达到 132.1 FPS。

研究背景与动机¶

文档版面分析（Document Layout Analysis, DLA）是文档智能的第一道工序：只有先把页面切成「标题 / 正文 / 表格 / 公式 / 图注」这些元素并确定它们的先后顺序，下游 OCR 才谈得上把二维页面还原成一维的有结构文本。深度学习已经把版面元素检测做得相当成熟，但在手机拍摄、装订成册的书刊扫描这类真实场景里，页面会被卷曲、折弯、透视压缩、旋转倾斜，解析质量仍然掉得很快。作者把根因归结为两条：结构建模是碎的（fragmented structural modeling），几何表示是粗的（coarse geometric representation）。

现有两条主流路线各自踩中其中一条。第一条是级联流水线：先用一个版面检测器框出元素，再叠一个二级关系模型（GNN 或 XYCut 这类启发式排序）去推阅读顺序。检测器的定位误差会直接传进排序阶段，两段之间不共享特征，版面与拓扑之间的依赖关系根本学不到。第二条是大规模预训练 Transformer 与 VLM 路线（LayoutLMv3、DiT、MinerU、Dolphin），精度上去了，代价是算力——实测里 MinerU2.5 是 2.4 FPS、Dolphin-v2 是 0.9 FPS。更要命的是这两类方法的输出都是轴对齐矩形框：页面一旦非正面拍摄，矩形框就会把背景和相邻元素一起框进来，下游 OCR 拿到的是被污染的区域，后面识别再准也救不回来。

于是核心矛盾落在「几何精度」与「效率」的夹缝里：真实文档的非刚性形变要求像素级的区域表示，而现有系统要么只有粗矩形框，要么必须付出一整个生成式大模型的代价。本文的角度是回到实时检测器上做加法——RT-DETR 本身已经是单阶段、无 NMS 的查询式检测器，如果把「像素掩码」和「阅读顺序」两件事都塞进同一批对象查询，几何精度与结构建模就能在同一套特征上联合优化，而不必多养一个模型。核心 idea：让每个对象查询同时给出类别、边框、像素掩码和两两阅读顺序，用反对称成对打分加投票排序把关系矩阵解码成唯一的全局序列，再用一套模拟纸张形变与相机投影的数据增强，把这种掩码级监督迁移到真实畸变文档上。

方法详解¶

整体框架¶

RT-DocLayout 把 DLA 重写成一个「以掩码为中心」的多任务预测问题。输入是一张文档图像（可能是平整的扫描页，也可能是卷曲、倾斜、屏幕翻拍的手机照片），输出是页面内每个版面元素的四元组：类别、边界框、像素级掩码，以及它在阅读顺序中的绝对位置。整条链路只有一次前向：RT-DETR 编码器抽出多尺度特征，\(N\) 个对象查询在解码器里逐层精炼，精炼后的查询同时喂给并行的预测头——分类、边框回归、掩码生成，以及一个成对阅读顺序打分器；打分器输出的 \(N \times N\) 关系矩阵再经投票式排序解码成唯一的全局序列。没有 NMS，没有自回归解码，也没有外挂的排序模型。

与同样基于 RT-DETR 的 PP-DocLayoutV2 相比，差别集中在两处：一是加了掩码头并把像素掩码当成一等输出（下游 OCR 拿到的不是一个矩形裁片，而是贴合元素真实边界的区域）；二是把阅读顺序从「解码器之外的解耦指针网络」挪进了解码器内部，让顺序关系与几何定位共用同一批查询特征。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["文档图像"] --> B["RT-DETR 编码器<br/>多尺度特征"]
    B --> C["N 个对象查询<br/>解码器逐层精炼"]
    C --> D["掩码中心的多任务统一解码<br/>类别 + 边框 + 像素掩码"]
    C --> E["耦合阅读顺序预测<br/>反对称成对打分 + 投票排序"]
    D --> F["版面元素 + 阅读顺序"]
    E --> F
    F --> G["下游 OCR / 文档解析"]
    H["物理空间感知数据增强<br/>ISD 曲面形变 + EPT 投影变换"] -.->|训练期注入| B

关键设计¶

1. 掩码中心的多任务统一解码：让每个查询同时回答「是什么、在哪、像素边界在哪」

轴对齐矩形框在畸变页面上的失效是可见的：页面倾斜或卷曲时，一个正文块的矩形框会同时罩住背景和邻块，OCR 裁出来的图里混进别的元素，识别结果自然崩。RT-DocLayout 沿用查询式检测的范式——解码器迭代精炼 \(N\) 个对象查询 \(Q=\{q_i\}_{i=1}^{N}\)，每个查询既编码空间语义也编码结构语义——但给每个查询补了一个掩码输出，让同一个查询表征同时驱动分类、边框和像素分割三个头。这样布局元素的边界不再是四条轴对齐的边，而是贴合实际形变的像素级区域，下游 OCR 得到的输入被「净化」过。

掩码监督本身是按 MaskDINO 的做法算的：在一张掩码上采样 \(K=12544\) 个点来近似 BCE + Dice 损失，其中 75% 的点分配在不确定区域（通常是元素边界附近）。这个采样策略是这套设计能留在实时区间的前提——它把逐像素的密集监督换成点采样，掩码头的开销才不至于吃掉 RT-DETR 的速度优势。一个容易被忽略的连带好处是：显式的像素监督会逼着模型去区分紧挨着、甚至像素上重叠的元素（消融中把纯边框换成边框 + 掩码后，OmniDocBench v1.5 的 Overall 从 93.81 升到 94.33），而更细的空间线索恰好也是后面数据增强能起作用的前提（见设计 3）。

2. 耦合阅读顺序预测：把成对顺序判断塞进解码器，用反对称打分加投票排序解码

阅读顺序在级联方案里是个「事后问题」：PP-DocLayoutV2 的做法是在 RT-DETR 之后接一个解耦的指针网络，让排序模块去看检测器输出的冻结框。问题在于，排序模块看到的框已经是定稿的、可能是错的，它没有任何途径回去修正定位。消融结果把这个代价量化得非常清楚：解耦顺序模块在 OmniDocBench v1.5 上的阅读顺序距离是 0.189，不但远差于本文耦合方案的 0.041，甚至比 XYCut 这种纯启发式（0.074）还差——一个单独训练的排序模型作用在带噪的框上，反而会把顺序搞得更乱。

RT-DocLayout 的做法是把顺序判断搬进解码器本身。精炼后的查询被投影到一个共享的关系空间里，任意两个元素之间用一个双线性形式算「谁在前」的相对打分：

\[S_{i,j}=\frac{(W_q q_i)^\top (W_k q_j)-(W_q q_j)^\top (W_k q_i)}{\sqrt{d_h}}\]

其中 \(W_q, W_k\) 是两组可学习投影，\(d_h\) 是头维度。注意这个式子是构造性反对称的：把 \(i, j\) 交换正好得到相反数，所以 \(S_{i,j}=-S_{j,i}\) 恒成立，关系矩阵永远不会出现「\(i\) 在 \(j\) 前、同时 \(j\) 又在 \(i\) 前」这种自相矛盾的状态，也不需要额外的对称化约束去修补。\(S_{i,j}>0\) 就表示元素 \(i\) 排在元素 \(j\) 之前。

推理时，把这些两两关系变成全局序列用的是投票而不是贪心拓扑排序：对第 \(j\) 个元素，把所有指向它的边经 sigmoid 后求和，得到它的「期望前驱数」\(V_j=\sum_{i=1}^{N}\sigma(S_{i,j})\)（对角项置零），再按 \(V_j\) 升序排出最终顺序。这一步是确定性的、非自回归的，复杂度只有 \(O(N^2)\)，对一页几十个元素来说开销可以忽略。之所以有效，是因为顺序判断和几何定位共用同一批查询特征：预测歪了框的那个查询，同时也在贡献顺序打分，两者在梯度上是互相牵制的，而不会像级联方案那样一方出错、另一方只能被动接受。

3. 物理空间感知数据增强：用曲面形变加相机投影，把掩码监督迁移到畸变文档

公开文档数据集给的多是轴对齐矩形框或平面多边形标注，页面上根本不存在卷曲和透视——一个只在平整页面上训练的模型，学到的「掩码」其实还是矩形。本文的洞察是把真实拍摄的畸变拆成两个有物理含义的过程，串成一个在线增强流水线：先模拟纸张自身的非刚性形变，再模拟相机视角带来的投影变换。

第一阶段是内在表面形变（Intrinsic Surface Deformation, ISD），针对装订书刊的页面卷曲这类非刚性几何先验。它用一组平滑的周期性位移场做网格式形变，对每个像素 \((x,y)\)：

\[x' = x + A\cdot f_x(\omega_y\cdot y)\cdot d_x,\qquad y' = y + A\cdot f_y(\omega_x\cdot x)\cdot d_y\]

其中 \(f_x, f_y \in \{\sin, \cos\}\) 随机采样，位移幅度 \(A=\alpha\min(H,W)\) 与图像分辨率成正比，空间频率 \(\omega_x=\beta\pi/W\)、\(\omega_y=\beta\pi/H\) 由均匀采样的 \(\beta\) 控制，方向 \(d_x, d_y \in \{-1,1\}\) 随机翻转；它有两种模式，单轴模式只在一个方向位移（模拟单向卷曲），intense 模式两个轴同时位移（模拟复合形变）。图像用双线性插值重采样、掩码用最近邻插值，边框按最大位移幅度动态补边以保住全部内容。第二阶段是外在投影变换（Extrinsic Projective Transformation, EPT），用复合单应 \(M = S\cdot R\cdot P\) 模拟手持拍摄的视角变化：\(P\) 通过投影参数 \(p_{20}, p_{21}\) 引入透视收缩，\(R\)、\(S\) 分别对应面内旋转与错切。最后一步是这套增强能被掩码监督「接住」的关键——变换后实例级标注是从变形后的像素掩码重新反算轴对齐边框的，而不是直接把原来的框也做一次变换，这样框标注和掩码标注始终保持自洽。

这套增强之所以只和掩码配套才有意义：像素级掩码在形变下仍然精确，所以连续形变后监督信号依然有效；纯边框方法想做同样的增强，只能去猜一个「卷曲之后这个块该框在哪」的矩形，标注本身就已经失真了。消融里它的贡献也是最粗暴的——开启后 Warp 子集涨 4.57 个点、Skew 子集涨 14.11 个点。

一个例子：一对判错的相邻元素为什么不会带偏整体顺序¶

假设一页被斜拍的文档里有 8 个版面元素：页眉、标题、正文段一、正文段二、表格、图、图注、页脚。解码器给每个元素得到一个查询向量，两两打分后得到一个 \(8\times 8\) 的反对称矩阵；把每列（指向该元素的边）过 sigmoid 求和，就得到 8 个「期望前驱数」。

真实文档里「图」和「图注」往往紧挨着、视觉线索很弱，假设打分器恰好把这一对判反了。在贪心拓扑排序里，一条反向边就足以让顺序出现歧义甚至死锁；而在投票制里，这一对只改变 \(\pm1\) 的票数差，其余 6 个元素给「图注」投的前驱票数没有变，图注的 \(V\) 值仍然大于图，最终序列不会因为这一对错误而错位。这也解释了为什么耦合式打分比逐对精确更重要：\(O(N^2)\) 个弱判断通过求和聚合后，个别噪声被平均掉了。

同一次前向里，掩码头给出的不是矩形而是贴合倾斜页面的四边形区域，下游 OCR 因此拿不到相邻块的像素；而训练期的 ISD + EPT 增强已经把这类斜拍 + 卷曲页面的形态合成过无数遍，模型见过的形变分布里就有眼前这一种。

损失函数 / 训练策略¶

训练目标是一个多任务加权和，先用匈牙利算法在预测与真值之间做二分匹配，再在匹配结果上算损失：\(\mathcal{L}_{\text{total}}=\sum_{k\in\mathcal{K}}\lambda_k\mathcal{L}_k\)，其中 \(\mathcal{K}=\{\text{cls},\text{bbox},\text{giou},\text{mask},\text{dice},\text{order}\}\)，权重取 \(\lambda_{\text{cls}}=4\)、\(\lambda_{\text{bbox}}=5\)、\(\lambda_{\text{giou}}=2\)、\(\lambda_{\text{mask}}=5\)、\(\lambda_{\text{dice}}=5\)、\(\lambda_{\text{order}}=50\)。分类用 focal loss（\(\alpha=0.25\)，\(\gamma=2.0\)）应对类别不平衡，边框回归用 \(\ell_1\) 加 GIoU，掩码用 BCE 加 Dice（点采样见前文）。

顺序损失拿到 50 这个异常高的权重，作者给了两条具体理由：一是梯度稀释，顺序损失作用在 \(O(N^2)\) 个元素对上，单个成对预测拿到的梯度被稀释了约 \(N/2\) 倍，而其他损失都是 \(O(N)\) 级别的对象级监督；二是深监督覆盖不到它，分类/检测/分割都有中间解码器层的辅助损失（\(L\) 层解码器就有 \(L\) 倍梯度更新），而顺序损失只在最后一层计算。两者叠加，不把权重拉高就基本训不动。

顺序损失本身还做了两处针对性的处理。其一是局部性加权：阅读顺序的错误往往发生在相邻元素之间，所以对动态邻域窗口 \(k=\max(5, 0.3N)\) 内的元素对给 \(w_{\text{local}}=2.0\) 的更高权重，窗口之外保持 1；其二是容忍标注噪声，用带标签平滑（\(\epsilon=0.01\)）的广义交叉熵（GCE，\(q=0.7\)）替代普通 BCE，避免个别标注歧义把梯度带偏：

\[\mathcal{L}_{\text{order}}=\frac{1}{|P|}\sum_{(i,j)\in P} w_{i,j}\cdot \text{GCE}(S_{i,j}, T_{i,j})\]

其中 \(P\) 是有效的上三角元素对集合（不含对角线），目标矩阵 \(T_{i,j}=1\) 当且仅当真值顺序满足 \(o_i<o_j\)。只取上三角是反对称性的直接推论——下三角完全是冗余的。

其余训练设置为：模型用 PP-DocLayout_plus-L 的预训练权重初始化，训练语料是自建的 38k 文档图像（覆盖学术论文、教材、市场分析、财报、幻灯片、报纸、教辅、试卷、发票收据等，人工标注 25 个版面类别及其绝对阅读顺序），优化器 AdamW、权重衰减 0.0001、学习率恒定 \(2\times10^{-4}\)（作者说明恒定学习率是为了让反对称打分器和掩码头稳定收敛），训练 150 个 epoch，总 batch size 32。

实验关键数据¶

主实验¶

评测采用 OmniDocBench v1.5 与面向真实退化的 Real5-OmniDocBench（含 Scanning / Warping / Screen-Photography / Illumination / Skew 五个子集）。因为缺少能同时衡量版面检测与阅读顺序的标准指标，论文直接用下游解析质量来打分（Overall / TextEdit / FormulaCDM / TableTEDS / Reading Order Edit）。下表只列与最强下游识别器 PaddleOCR-VL-1.5-0.9B 组合的那一行，其余识别器的结果见原文表 1。

版面分析模块	参数量	FPS	Overall↑	TextEdit↓	FormulaCDM↑	TableTEDS↑	RO Edit↓
DocLayout-YOLO（+ XYCut 排序）	20M	107.4	87.29	0.127	88.74	85.83	0.169
MinerU2.5	1.2B	2.4	91.31	0.046	87.57	90.92	0.051
Dolphin-v2	3B	0.9	90.36	0.049	87.60	88.36	0.060
PP-DocLayoutV2	53M	110.9	93.56	0.034	92.09	92.03	0.042
RT-DocLayout	33M	132.1	94.50	0.035	94.21	92.76	0.042

版面分析模块（+ PaddleOCR-VL-1.5-0.9B）	Overall↑	Scan↑	Warp↑	Screen↑	Illum↑	Skew↑
DocLayout-YOLO（+ XYCut 排序）	74.07	85.57	74.70	77.67	83.65	48.74
MinerU2.5	85.67	89.74	83.92	89.24	89.29	76.16
Dolphin-v2	67.66	88.66	52.58	81.06	66.15	49.84
PP-DocLayoutV2	85.83	92.04	86.00	83.28	90.80	77.03
RT-DocLayout	92.05	93.43	91.25	91.76	92.16	91.66

消融实验¶

下表取自原文表 4，为紧凑起见只保留 Warp / Skew 两个子集列（Scan / Screen / Illum 见原文）；全部实验都用 PaddleOCR-VL-1.5-0.9B 作为下游识别器。

配置	定位方式	顺序模块	数据增强	OmniDoc O↑	OmniDoc RO↓	Warp O↑	Skew O↑	Skew RO↓
纯边框 + 启发式排序	bbox	XYCut	×	93.81	0.082	84.44	77.18	0.662
加掩码 + 启发式排序	bbox+mask	XYCut	×	94.33	0.074	84.40	75.63	0.673
加掩码 + 解耦顺序模型	bbox+mask	Decoupled	×	93.87	0.189	85.91	76.24	0.325
加掩码 + 耦合顺序	bbox+mask	Coupled	×	94.39	0.041	86.68	77.55	0.146
完整模型	bbox+mask	Coupled	✓	94.50	0.042	91.25	91.66	0.061

为把「模型设计」和「训练数据规模」两个因素分开，论文还把 PP-DocLayoutV2 在同一份 38K 自建数据上重训了一遍，用完全相同的协议评测：

模型（同样本 38K 训练）	Raw O↑	Raw RO↓	Warp O↑	Warp RO↓	Skew O↑	Skew RO↓
PP-DocLayoutV2 (53M)	93.56	0.174	84.67	0.236	75.28	0.320
RT-DocLayout (33M)	94.50	0.042	91.25	0.063	91.66	0.061

关键发现¶

掩码本身只带来温和增益，且单独用救不了畸变。 把纯边框换成边框 + 掩码后，OmniDocBench v1.5 的 Overall 从 93.81 升到 94.33，但 Warp 子集几乎没动（84.44 → 84.40），Skew 子集甚至掉了（77.18 → 75.63）。这说明像素级掩码提供的是「更细的空间线索」，要真正变成畸变鲁棒性，还得靠数据增强把那部分线索用起来。
数据增强是 in the wild 场景里最大的杠杆，而且它必须和掩码配套。 开启 DA 后 Warp 从 86.68 涨到 91.25（+4.57），Skew 从 77.55 涨到 91.66（+14.11），是所有消融项里幅度最大的一次跳变；连阅读顺序也一起受益，Skew 的 RO 距离从 0.146 降到 0.061。原因在于掩码在连续形变下依然精确，而矩形框的 GT 在形变后本身就失真了。
顺序模块「解耦」不只是收益小，而是负收益。 解耦训练的阅读顺序模型在 OmniDocBench v1.5 上给出 0.189 的 RO 距离，比 XYCut 启发式（0.074）还差一倍多，而改成与检测/分割联合优化后直接降到 0.041，在 Warp 上更是从 0.721（XYCut）降到 0.092。这是本文最有说服力的一处对比：顺序预测不是「多接一个模块」就能解决的，它依赖精准的定位与分类，必须和感知一起训。
增益来自设计而非数据规模。 在同样本 38K 重训的控制实验里，PP-DocLayoutV2 在 Raw 上是 93.56 / RO 0.174，在 Skew 上只有 75.28 Overall / 0.320 RO；RT-DocLayout 对应是 94.50 / 0.042 与 91.66 / 0.061。数据规模被对齐之后差距依然存在，说明掩码中心定位与顺序耦合优化确实各自在起作用。
效率维度上这是一次跨量级的对比。 RT-DocLayout 的 33M 参数比 PP-DocLayoutV2（53M）更小，FPS 却是最高的 132.1；相比之下 MinerU2.5（1.2B）与 Dolphin-v2（3B）分别是 2.4 FPS 和 0.9 FPS，参数量差 1-2 个数量级、速度差 1-2 个数量级。
代价几乎可以忽略但确实存在。 完整模型在 OmniDocBench v1.5 上的 RO 距离是 0.042，比不带 DA 的耦合版本（0.041）略高 0.001，TextEdit 0.035 也略高于 PP-DocLayoutV2 的 0.034——增益是整体性的，但并非每一项都单调变好。

亮点与洞察¶

一个查询干四件事，且顺序预测是构造性自洽的。 反对称打分器用「两个双线性形式之差」来保证 \(S_{i,j}=-S_{j,i}\)，把一致性做进了参数化本身，而不是靠后处理修补；这比训练一个对称矩阵再取平均要干净得多。任何需要「两两比较得出全局排序」的任务都能直接复用这块。
投票式排序对局部错误有天然容错。 相比贪心拓扑排序（一条反向边就能造成歧义甚至死锁），「期望前驱数升序」把所有成对判断聚合成一个标量分数，个别弱线索上的错误被平均掉——这与语言模型里的 Bradley-Terry 式打分排序是同一类思路，但只用了一次前向的 \(O(N^2)\) 矩阵。
损失权重 50 不是拍脑袋，而是有梯度层面的解释。 把「\(O(N^2)\) 的成对损失梯度被稀释 \(N/2\) 倍」以及「顺序损失不享受解码器深监督」这两条讲清楚，是一个可以直接搬到其他成对/集合级损失上的配平启发式。
数据增强的设计要点在「标注怎么跟着变」。 ISD 用周期性位移场模拟卷曲、EPT 用 \(S\cdot R\cdot P\) 复合单应模拟手持视角，把畸变拆成内在形变与外在投影两段；但真正让整条流水线成立的是最后一步——边框是从形变后的掩码重新反算的。任何「用掩码标注的增强」都应该照抄这个顺序。
可迁移的机制：把「顺序预测头内嵌进检测解码器」的做法迁移到其他有内在顺序的检测任务上（如 UI 截图的元素层级与阅读序、流程图的步骤顺序、表格单元格的读取序），理论上只需在 DETR 类模型上加一个反对称打分头和投票排序；ISD + EPT 这套形变增强也可以迁移到场景文字检测、表格结构识别等只有平面多边形标注的任务。

局限与展望¶

论文自己没有报告任何几何层面的直接指标。 没有版面检测 mAP、没有掩码 IoU、也没有阅读顺序准确率，全部结论都建立在下游解析指标（Overall / Edit / TEDS）上。作者的理由是「缺少能同时衡量版面检测与阅读顺序的标准指标」，但这让「掩码到底比边框准多少」这类问题无法被直接回答，也让错误归因变得困难（下游分数掉了，是检测错、排序错，还是识别器的锅？）。
132.1 FPS 是 batch size 32 下的吞吐，不是单图延迟。 论文没有给单 batch 延迟、也没有端侧/移动端实测，而这篇论文的卖点恰恰是「实时工业部署」。对真实流水线来说，吞吐 132 FPS 与单张延迟 7.6ms 并不是同一回事（尤其当每页要串行送进 OCR 时），这一点最好补上。
训练数据不公开。 38k 图像、25 类版面元素的自建数据集没有释放，唯一可复现的入口是 PP-DocLayout_plus-L 的预训练权重和 PaddleOCR 仓库，外部很难严格复现 38K 同样本控制实验那组数字。
评测集与训练集分布的耦合没有交代清楚。 训练语料覆盖试卷、发票、幻灯片等，而 OmniDocBench v1.5 的评测维度同样集中在公式/表格/正文，论文没有说明自建数据与评测集之间是否存在同源页面的风险；也没有在 PubLayNet / DocLayNet 这类公开版面数据集上给出直接可比的检测结果。
可行改进：一是补上 mAP / mask IoU / 顺序准确率这类几何指标，哪怕作为附录；二是给出单图延迟与量化后的端侧表现；三是在公开数据集上给出一个只需公开数据就能复现的训练配置。

评分¶

新颖性: ⭐⭐⭐⭐ 统一查询解码 + 反对称打分排序本身是既有思路的组合，但「掩码中心定位 + 顺序耦合 + 物理增强」三件套串起来并做到实时，是实打实的工程与设计贡献。
实验充分度: ⭐⭐⭐⭐ 两个 benchmark、五个退化子集、同样本控制实验与逐组件消融都比较扎实，唯一的缺口是完全没有报告几何检测指标与单图延迟。
写作质量: ⭐⭐⭐⭐ 方法与动机交代清楚，损失权重和深监督的取舍有定量解释；公式在 OCR 后有若干处损坏，正文表 1/表 2 的行归属也需要对照原文确认。
价值: ⭐⭐⭐⭐⭐ 33M、132.1 FPS、在畸变场景把 Skew 从 75 拉到 91，对工业级文档解析流水线是可以直接替换进去的收益。