文档解析新范式：扩散解码如何重塑 OCR 逆渲染

在数字化转型持续深入的背景下，文档光学字符识别早已不再局限于简单的文字转录。面对科研论文、财务报表、合同文本等复杂文档，现代 OCR 系统需要完成对版面结构、表格单元格、数学公式乃至阅读顺序的深度结构化解析。这一任务的技术难度，远超早期扫描件文字提取的范畴。

然而，当前主流的视觉语言模型在文档解析场景中，普遍采用自回归解码策略。这种逐字生成的模式，在处理长文档时暴露出越来越明显的局限。本文将从问题本质出发，系统分析自回归解码的结构性瓶颈，并探讨一种将 OCR 重新定义为“逆渲染”任务、借助扩散解码实现并行生成的技术路径。

一、自回归解码的结构性瓶颈

1.1 串行生成与错误累积

自回归解码的核心逻辑是：给定前序 token，预测下一个 token。这一机制在自然语言生成任务中表现出色，但套用到文档解析场景时，存在几个难以回避的问题。

首先是效率问题。一篇数十页的技术文档，解析后可能产生数千甚至上万个 token。逐个生成意味着推理时间随文档长度线性增长，在批量处理场景下，吞吐量成为显著瓶颈。

更棘手的是错误累积。自回归模型一旦在某个位置产生错误，该错误会作为后续生成的上下文输入，导致偏差不断放大。在表格解析中，一个单元格的错位可能引发整行甚至整张表的连锁错误。这种“雪崩效应”在长文档中尤为致命。

1.2 语言先验与视觉幻觉

另一个深层问题是模型对语言先验的过度依赖。自回归解码在生成每个 token 时，会综合视觉特征与已生成文本的语言上下文。当图像质量不佳、文字模糊或版面复杂时，语言模型往往会“脑补”出语法通顺但与图像不符的内容。

例如，在一份模糊的发票图像中，模型可能根据常见的发票格式，生成一个实际上并不存在的金额数字。这类语义幻觉在金融、法律等对准确性要求极高的场景中，是不可接受的。

1.3 顺序解耦的缺失

自回归解码隐含了一个假设：文档内容的生成顺序应当是从左到右、从上到下的线性顺序。但文档的真实结构并非总是如此。表格中的单元格、多栏排版中的段落、公式中的符号，其空间关系远比一维序列复杂。强制将二维空间结构压缩为一维生成顺序，本身就损失了信息。

二、范式重构：OCR 作为逆渲染任务

2.1 从“生成”到“还原”的思维转变

研究界提出了一种值得关注的思路：将文档解析视为一个逆渲染过程。所谓逆渲染，是指从二维图像还原回一维序列的过程。在计算机图形学中，渲染是将结构化信息转换为图像；而 OCR 做的恰好相反——从图像中恢复出结构化的文本和版面信息。

这一视角转换的关键意义在于：生成顺序不应被固定。文档中的字符分布，更多取决于空间布局而非语义先后。一个表格的左上角单元格和右下角单元格之间，并不存在必然的生成依赖关系。

2.2 离散扩散机制的引入

基于上述认识，研究者将离散扩散机制引入文档解析。扩散模型的核心思想是：从随机噪声出发，通过多步迭代去噪，逐步恢复出目标内容。在离散扩散中，所有字符位置可以同时进行迭代修正，而非逐个生成。

这种全局并行的生成方式，带来了几个关键优势：

• 错误可修正：模型在推理过程中可以多次“回头看”，对之前的预测进行修正，而非一次性决定。
• 视觉证据优先：由于不依赖已生成文本作为上下文，模型被迫更多地依赖图像本身的视觉特征，减少了语言先验导致的幻觉。
• 顺序解耦：生成顺序与语义理解解耦，模型可以更灵活地处理复杂版面。

三、架构突破：块状扩散解码器

3.1 全局扩散的计算挑战

直接对整篇文档应用全局扩散，会面临两个工程难题。

其一是计算复杂度。注意力机制的计算量随序列长度呈平方级增长。对于数千 token 的长文档，全局注意力的计算开销难以承受。

其二是位置预测的不稳定性。在长序列上，扩散过程的迭代去噪容易产生位置漂移，导致字符定位不准确。

3.2 块状注意力结构的设计

为应对上述挑战，研究者提出了一种块状扩散解码器结构。其核心设计是将长序列切分为多个连续的块，在块与块之间保留粗粒度的因果逻辑，而在每个块内部实现完全并行的生成。

这种“局部并行、全局锚定”的策略，带来多重收益：

计算效率方面，块内并行生成使得模型可以利用 KV 缓存来复用已计算的特征，显著降低推理开销。同时，块粒度的注意力计算避免了全局平方级复杂度。

稳定性方面，块边界起到了空间位置约束的作用。每个块内部的字符在固定范围内并行生成，块与块之间通过因果逻辑保持长程一致性，有效防止了长文档解析中的定位漂移。

灵活性方面，块的大小可以根据文档类型和硬件资源进行调整。对于版面规整的文档，可以采用较大的块以实现更高的并行度；对于结构复杂的文档，则可以采用较小的块以保证解析精度。

3.3 推理流程示意

从工程实现角度看，块状扩散解码的推理流程可以概括为以下步骤：

# 伪代码示意：块状扩散解码流程
def blockwise_diffusion_decode(image_features, num_blocks, block_size):
    # 1. 视觉编码：提取图像特征
    visual_tokens = visual_encoder(image_features)
    # 2. 初始化：所有位置从噪声状态开始
    tokens = initialize_noise(total_length=num_blocks * block_size)
    # 3. 逐块迭代去噪
    for block_idx in range(num_blocks):
        block_tokens = tokens[block_idx * block_size : (block_idx + 1) * block_size]
        for step in range(num_diffusion_steps):
            # 块内并行去噪，条件依赖于视觉特征和前序块的KV缓存
            block_tokens = denoise_step(
                block_tokens, 
                visual_tokens, 
                kv_cache=preceding_blocks_cache
            )
        # 更新KV缓存，供后续块使用
        update_kv_cache(block_idx, block_tokens)
        tokens[block_idx * block_size : (block_idx + 1) * block_size] = block_tokens
    return tokens

这一流程体现了块状扩散解码的核心特征：块内多步并行去噪、块间因果依赖、KV 缓存复用。

四、工程实践中的关键考量

4.1 块大小的选择

块大小的选择需要在并行度和解析精度之间取得平衡。块越大，并行度越高，但块内位置预测的难度也越大；块越小，位置约束越强，但并行收益相应降低。实践中，可以根据文档的平均行数和版面复杂度进行自适应调整。

4.2 扩散步数的配置

扩散步数决定了去噪迭代的次数。步数过少，生成质量不足；步数过多，推理延迟增加。在文档解析场景中，由于视觉特征提供了较强的条件引导，通常不需要过多的扩散步数即可达到较好的解析效果。

4.3 与现有文档处理流水线的集成

块状扩散解码器可以作为一个独立的解析模块，嵌入现有的文档处理流水线。其输入是文档图像，输出是结构化的文本序列和版面信息。下游任务如信息抽取、表格问答等，可以基于解析结果继续处理。

五、总结与展望

将文档 OCR 重新定义为逆渲染任务，并借助离散扩散机制实现并行解码，代表了一种值得关注的范式转变。其核心价值在于：

1. 解耦生成顺序与语义理解，让模型更多地依赖视觉证据，减少语言幻觉。
2. 通过块状注意力结构，在计算效率和长程稳定性之间取得平衡。
3. 支持错误修正和迭代优化，提升复杂版面解析的鲁棒性。

对于开发者而言，这一技术路径为构建高效、精准的文档数字化系统提供了新的思路。在实际工程中，可以根据具体场景的精度要求和性能预算，灵活调整块大小、扩散步数等参数，在解析质量与推理效率之间找到最优平衡点。

随着文档智能化处理需求的持续增长，扩散解码在 OCR 领域的应用潜力值得进一步探索。如何在保持并行优势的同时进一步提升细粒度定位精度，如何与版面分析、表格识别等模块更紧密地协同，都是后续值得关注的方向。