PubLayNet

为什么重要

PubLayNet 是文档版面分析这个方向真正「跑起来」的起点。它的关键创新不在标注质量，而在规模与获取方式：研究者发现 PubMed Central 的开放获取文献同时提供 PDF 和结构化 XML，两者可以自动对齐——于是不需要人工标注就得到了 36 万页带版面标签的数据。

这个思路（用已有的结构化元数据反向生成视觉标注）后来被反复复制，是文档 AI 数据工程里一条重要的低成本路径。它支撑起 LayoutLM 系列、DiT 等一系列模型的预训练，可以说今天文档版面模型的底子有一半是它打的。

但要清醒：它的局限也很明显——来源单一（医学文献）、类别只有 5 类（Text / Title / List / Table / Figure）。跨到其他文档类型上性能会掉，这也是 DocLayNet 后来出现的原因。当前它已基本完成历史使命，作为基线参考与预训练语料仍有价值，但做选型判断应该用更新的基准。

构建方式

从 PubMed Central 开放获取子集下载医学文献（同时含 PDF 与结构化 XML）
解析 XML 中的版面信息（章节标题、正文、列表、表格、图形），提取对应元素
将 XML 元素与 PDF 页面坐标自动对齐，生成边界框标注
归类为 5 类：Text、Title、List、Table、Figure
划分训练/验证/测试集，采用 COCO 格式

任务示例

给定一页医学论文 PDF 渲染图，模型输出：

[
  {"label": "Title",  "bbox": [60, 50, 530, 80]},
  {"label": "Text",   "bbox": [60, 100, 280, 400]},
  {"label": "Figure", "bbox": [300, 100, 530, 300]},
  {"label": "Table",  "bbox": [60, 430, 530, 700]}
]

关键发现

结构化元数据是免费的标注源：PDF + XML 双通道对齐，把人工标注成本降到接近零——这条思路比数据集本身更有价值
规模换来了迁移能力：36 万页让文档预训练成为可能，而不只是监督微调
来源单一导致迁移衰减：医学文献上学到的版面先验，迁移到财报、专利上会掉点
饱和提醒：版面检测在该集上已接近上限，应转向多来源、细粒度的 DocLayNet 一类基准

考察能力

构建信息

资源链接

为什么重要

构建方式

任务示例

最新进展

关键发现