简介：本文从原理层面解析一种将OCR重新定义为逆渲染问题的扩散解码方法。文章将拆解离散扩散机制、块状解码器、视觉与语义协同等关键设计，说明其如何解决长文档解析中的计算复杂度、顺序偏差与定位漂移问题，帮助读者理解文档智能处理的新思路。
传统OCR通常被建模为一种序列生成任务：输入文档图像，模型按从左到右、从上到下的顺序逐字符或逐词输出文本。这种思路天然带有自回归因果链的性质——当前输出依赖于之前已经生成的字符，生成顺序与阅读顺序高度绑定。
本文讨论的方法改变了这一基本假设。它将OCR重新定义为一种逆渲染问题：文档图像被视为某种“渲染结果”，而OCR的目标则是从该渲染结果反推出用于生成它的原始结构化文本与版面布局。换句话说，正向渲染是把字符、坐标、字体、排版等离散元素绘制成图像；逆渲染则是从图像中恢复出这些离散元素。
这种视角转换带来一个直接后果：字符的生成不再必须沿着语义先后顺序推进，而是可以像拼图一样在全局范围内同时迭代。模型可以先生成一堆候选字符，再根据视觉证据反复修正，直到文本与图像在结构上相互吻合。这种机制在原理上更接近扩散模型：从一个随机或噪声状态出发，经过多步去噪或修正，逐步收敛到与输入图像一致的文本表示。
在深入扩散解码之前，需要先理解传统序列化OCR的固有问题。
自回归模型的核心是条件概率分解：
P(y₁, y₂, …, yₙ | x) = P(y₁|x) · P(y₂|y₁,x) · … · P(yₙ|y₁,…,yₙ₋₁,x)
其中x是文档图像，y是输出文本序列。这种分解虽然在语言建模中非常成功，但对文档场景存在三个明显局限：
顺序偏差：模型在生成yᵢ时只能看到y₁到yᵢ₋₁，无法看到后文信息。但如果文档中某个字符的识别依赖于右侧或下方的视觉上下文，自回归模型在那一刻处于信息缺失状态。例如，表格中同一列的数值在垂直方向对齐，横向生成顺序无法利用垂直对齐关系。
错误累积：一旦某个早期字符被生成错误，该错误会作为条件输入影响后续所有字符的生成。文档场景中，局部遮挡、印章干扰、复杂背景都可能引发早期错误，传统方案往往需要后处理纠错模块来缓解。
长程依赖与空间不一致：对于长文档，自回归序列越长，位置预测越容易漂移。模型可能在页面左侧生成准确，但在后续行或区块中位置估算误差逐渐加大，最终导致文字与版面空间对应关系混乱。
扩散解码方法正是针对这些限制，从生成范式的根本上进行了调整。
扩散模型在图像生成领域通常处理连续值（像素值）。但OCR输出的是离散的文本Token。要将扩散思想用于文本生成，需要采用离散扩散：状态空间由有限个离散Token组成，每一步迭代都在这个离散空间内转移。
其基本流程可以抽象为：
与自回归不同的关键点在于：一次可以同时修正多个位置。第t步的更新不仅基于前一步的结果，还基于全局长程的上下文信息。这允许模型在后续步骤中修正早期错误。
可以将正向渲染过程简化为：
文本内容 + 版面坐标 + 字体样式 → 渲染引擎 → 文档图像
逆渲染则试图恢复：
文档图像 → 逆渲染模型 → 文本内容 + 版面坐标 + 样式信息
这里的“样式信息”不一定是像素级还原，而更多体现为结构化关系：哪个文本块在哪个区域，哪些字符属于同一行、同一列、同一表格单元。模型的优化目标就是让恢复出的结构化文本在重新渲染后与输入图像尽量一致。这种一致性约束比单纯最大化文本似然更贴合文档解析的本质。
文档页面的Token数量往往非常庞大，可能是数千甚至上万个。如果在全局范围内做完全并行扩散，每一步都需要对所有Token之间的关系建模，计算复杂度会达到O(L²)，其中L是序列长度。当序列很长时，这在实践中不可接受。
为此，方法采用了块状扩散解码器。其核心思想可以概括为：局部并行、全局锚定。
整个Token序列被切分为多个连续的块。每个块内部包含若干字符Token，块的大小可以根据计算资源或文档结构自适应调整。
在块内部，字符的生成是完全并行的：一个块中的所有字符可以在同一扩散步骤中同时更新，它们之间不存在因果顺序约束。这使得块内的修正过程非常高效。
在块与块之间，则保留了粗粒度的因果逻辑：后面的块可以参考前面已经相对稳定的块结果。这提供了长程解析的稳定性锚点。
块边界之所以重要，有两个原因：
计算复杂度控制：并行计算的复杂度从O(L²)降低为O(B·S²)，其中B是块的数量，S是块内序列长度。当S远小于L时，整体计算量显著降低。同时，块间可以使用增量计算与KV缓存，避免重复计算前文特征。
空间定位约束：长文档解析中，字符位置预测的漂移往往会随着序列延伸而放大。块边界提供了一个重新校正的机会——每个新块开始时，模型可以基于较粗粒度的版面特征重新确定起始位置，而不是完全依赖前一个字符的位置预测。这种设计有效缓解了长文档中的定位误差累积。
整个扩散过程不是无条件的文本生成，而是强视觉条件生成。文档图像经过视觉编码器提取多尺度特征，这些特征在扩散的每个步骤中都会被注入到块内更新过程中。
视觉条件的注入方式可以抽象为：
更新后的Token分布 = f(当前Token状态, 图像特征, 位置编码, 块上下文)
模型需要学习如何根据图像特征判断当前Token是否与视觉证据一致。如果某个位置的字符与图像中的墨迹、笔画结构或空间布局不匹配，模型应倾向于在下一步将其替换为更合适的Token。
让我们沿着完整链路走一遍扩散解码的执行过程。
输入是一张文档图像，可能是扫描件、手机拍摄照片或电子文档截图。首先通过通用视觉编码器提取特征。这些特征需要表达字符形状、纹理、位置关系、版面结构等多层次信息。实践中通常使用多尺度特征图，以便同时捕捉局部笔画和全局版面。
系统需要预先定义输出序列的长度和结构。这可以通过版面分析模块提供一个粗略估计：页面大致有多少文本行、多少字符、多少表格区域。初始化阶段，每个位置填入一个掩码Token或随机Token。
按照预设块大小将序列切分。在每一轮扩散迭代中：
块间可以通过滑动窗口或顺序调度方式进行：先让较早的块稳定，再将其结果作为条件影响后续块的迭代。
当所有块收敛后，输出不仅是纯文本序列，还包含空间坐标信息。每个文本块、每一行、每个表格单元都具有对应的边界框。这样最终结果既可用于文本提取，也可用于文档结构化重建。
离散扩散最突出的优势在于全局同时修正。自回归模型一旦生成某个字符，后续便很难回头修改它。扩散模型则天然支持“回头看”：在第t步发现第3个字符与视觉证据矛盾时，模型可以在第t+1步直接修正第3个字符，而不必重新生成整个序列。
这种机制在复杂版面中尤为重要。例如，印章区域覆盖了部分文字，模型可能在初始步骤中根据周围语义先验猜测这些文字，但随着迭代推进，视觉特征反复提示此处存在遮挡，模型可能转而输出更保守的预测或根据未被遮挡的笔画重新推断。
传统自回归OCR中，语言模型先验往往非常强。当视觉证据不清晰时，模型倾向于生成语法上合理但可能与图像不一致的内容。扩散机制通过全局一致性优化，可以在视觉与语义之间的冲突中施加更强的视觉约束。
这里有一个微妙的机制：扩散模型的每一步都在比较“当前文本状态”与“图像特征”的匹配程度。如果当前文本在某个局部区域图像特征不一致，这种不一致会通过迭代过程被逐步放大，驱动模型进行修正。语义知识并非被抛弃，而是被约束在视觉一致的框架内。
从工程角度看，块状扩散解码器提供了一种实际可落地的效率策略。
| 机制 | 全局并行扩散 | 块状扩散 |
|---|---|---|
| 注意力计算复杂度 | O(L²) | O(B·S²) |
| 是否可增量计算 | 较困难 | 块间可增量 |
| 长程位置稳定性 | 易漂移 | 块边界锚定 |
| 并行性 | 完全并行 | 块内并行 |
对于几千Token的文档，块大小设为128或256时，计算开销可降低一到两个数量级。更重要的是，块间可以复用KV缓存，使得长文档的推理延迟更加可控。
扩散解码的质量与迭代步数直接相关。步数越多，模型有更多机会修正错误，但也意味着更高的计算开销。实践中需要在推理速度与准确性之间权衡。一些实现采用自适应步数策略：对简单区域少迭代，对复杂区域多迭代。这种灵活性与块状结构天然契合——不同块可以根据自身收敛情况执行不同的迭代策略。
以一个包含混合排版的文档页面为例：上半部分是一段正文，下半部分是一个三列表格。
初始化阶段：版面分析估计出大约180个字符Token和12个表格单元。所有Token填入掩码状态并被划分为若干块。
第一轮迭代：
模型根据图像特征为每个位置生成初始猜测。正文区域的字符可能很快收敛为近似正确的结果；表格区域由于结构复杂，不少单元仍处于高不确定性状态。
中间迭代：
正文块的字符基本稳定。表格块中，同一列的数值对齐信息被视觉编码器持续注入，模型发现某列第2行的字符与上下行在垂直方向不对齐，于是在后续迭代中将其修正。
收敛阶段：
所有块达到稳定状态。输出内容包括正文文本、段落坐标、表格结构以及每个单元格的文本和边界框。
这一过程展示了关键特性：错误在全局范围内被逐步修正，修正依据来自视觉结构而非单纯的语言流畅性；块状结构保证了长页面的计算效率。
误区一：扩散解码只是把输出过程换成并行。
实际上，其价值不止于并行加速，更关键的是解耦了生成顺序与语义理解。模型不再被单向因果关系束缚，而是可以在全局范围内权衡视觉证据。
误区二：块状结构会破坏全局一致性。
块间保留的因果逻辑起到了全局锚定作用。虽然块内是完全并行的，但块与块之间并非完全独立。块边界反而提供了一种位置校准机制。
误区三：扩散解码完全不需要语言先验。
语言先验仍然存在，但被置于视觉约束的框架内。对于模糊字符，模型仍然会参考语义信息，只是这种参考不会像强自回归模型那样轻易压倒视觉证据。
误区四：迭代步数越多越好。
理论上更多迭代可以带来更精细的修正，但也会引入过度修正风险——某些本来正确的字符可能在后续步骤中被错误替换。实践中需要根据区域复杂度动态控制迭代。
扩散解码驱动的文档解析将OCR从序列生成问题重新构造为逆渲染问题。通过离散扩散机制，字符获得在全局范围内同时修正的能力；通过块状解码器，计算开销被控制在工程可接受范围；通过块边界对空间位置的约束，长文档解析中的定位漂移得到有效抑制。
这一原理的核心启示在于：当任务本身具有强空间结构时，生成顺序不应成为信息利用的硬性约束。让模型在视觉证据的主导下完成全局一致的推断，比沿着单一因果链条逐字推进更接近文档解析的本质。对于需要处理复杂版面、长文档或低质量扫描件的场景，理解这套机制有助于判断何时应引入扩散式解码思路，以及如何在准确性、效率与工程复杂度之间做出合理权衡。