SFDLA benchmark

SFDLA benchmark是首个针对源无关文档布局分析任务的数据集，由卡尔斯鲁厄理工学院创建。该数据集覆盖了三个主要的文档布局分析数据集，用于几何和内容感知的适配。它旨在解决在没有源域数据的情况下，如何将预训练的源域DLA模型适配到未标注的目标域的问题。

The SFDLA benchmark, developed by Karlsruhe Institute of Technology, is the first dataset dedicated to the source-free document layout analysis (DLA) task. This benchmark encompasses three prominent document layout analysis datasets, tailored for geometry and content-aware adaptation. Its primary goal is to solve the problem of adapting pre-trained source-domain DLA models to unannotated target domains when source-domain data is not accessible.

搜集汇总

数据集介绍

构建方式

SFDLA benchmark的构建基于三个主要的文档布局分析数据集：PubLayNet、DocLayNet和M6Doc。这些数据集涵盖了科学论文、金融报告、政府招标文件等多种文档类型，具有丰富的布局多样性和语义复杂性。构建过程中，研究者首先在源域（如科学论文）上对模型进行全监督训练，随后在无标签的目标域（如金融报告）上通过自监督机制进行域适应。这一过程无需访问源域数据，仅依赖目标域的未标注数据，确保了数据隐私和安全性。通过这种方式，SFDLA benchmark为源自由文档布局分析任务提供了一个标准化评估框架。

特点

SFDLA benchmark的主要特点包括其跨域适应能力和隐私保护特性。该基准测试涵盖了几何感知和内容感知两种域适应场景，能够有效评估模型在不同文档类型和布局之间的泛化能力。数据集中的文档布局元素分布广泛，从科学论文中的多列文本和数学公式到金融报告中的签名和表格，展现了高度的结构多样性。此外，SFDLA benchmark通过源自由域适应范式，避免了传统方法中需要同时访问源域和目标域数据的限制，使其在隐私敏感和资源受限的实际应用中具有显著优势。

使用方法

使用SFDLA benchmark时，研究者首先需要在源域数据集上预训练模型，随后在目标域数据集上进行源自由域适应。基准测试提供了多个跨域适应场景，如从PubLayNet到DocLayNet的几何感知适应，以及DocLayNet内部不同子类别之间的内容感知适应。评估采用平均精度（mAP@0.5）作为主要指标，确保结果的可比性和客观性。为了简化跨数据集评估，SFDLA benchmark还提供了标签映射方案，将不同数据集的类别统一到共享子集中。研究者可以通过公开的代码库和模型快速复现实验，进一步推动源自由文档布局分析领域的研究。

背景与挑战

背景概述

SFDLA benchmark是由Karlsruhe Institute of Technology和ETH Zurich的研究团队于2025年提出的首个面向无源文档布局分析（Source-Free Document Layout Analysis, SFDLA）的基准测试。该数据集旨在解决文档布局分析领域中的关键挑战，即在无法访问源域数据和目标域标签的情况下，如何有效地将预训练模型适应到新的文档域。文档布局分析作为文档理解的基础任务，其核心研究问题在于识别和分割文档中的结构元素，如文本、图像和表格。然而，现有方法通常需要大量源域数据和目标域标签，这在隐私敏感和资源受限的实际应用场景中受到严重限制。SFDLA benchmark的建立填补了这一空白，为无源域适应的研究提供了重要的评估平台，推动了隐私合规的文档理解应用的发展。

当前挑战

SFDLA benchmark面临的挑战主要体现在两个方面：领域问题的挑战和构建过程中的挑战。在领域问题方面，文档布局分析需要处理不同文档域之间的结构异质性，如科学论文、财务报表和医疗记录等具有显著不同的布局和样式。直接迁移源域微调模型到目标域通常会导致性能显著下降（平均下降32.64%）。此外，无源域适应仅依赖目标域的无标注数据，模型必须在不依赖标注样本的情况下推断和利用其内在结构，这容易导致伪标签不一致和错误特征对齐的问题。在构建过程中，数据集需要处理标注政策的差异、特定布局的复杂性以及粒度变化等挑战。例如，不同数据集对相同类别的定义可能不一致，这增加了跨数据集评估的难度。同时，隐私保护和数据转移的限制也增加了构建无源域适应数据集的复杂性。

常用场景

经典使用场景

在文档布局分析领域，SFDLA benchmark 被广泛应用于源自由场景下的跨领域模型适应研究。该数据集通过整合 PubLayNet、DocLayNet 和 M6Doc 三大主流文档布局数据集，构建了涵盖科学论文、财务报告、法律文书等多领域的评估体系。其典型应用场景包括在无法获取源域数据的情况下，通过双教师框架生成伪标签，实现目标域文档的几何结构与内容特征的自动识别。

解决学术问题

该基准测试有效解决了文档布局分析中源数据不可获取条件下的领域适应难题。实验表明，传统方法直接迁移会导致平均 32.64% 的性能下降，而基于 SFDLA 的 DLAdapter 框架在 PubLayNet 到 DocLayNet 的跨域任务中实现了 4.21% 的性能提升。其创新性在于突破了隐私敏感场景下必须共享源数据的限制，为医疗记录、商业机密文档等敏感数据的自动化处理提供了可行的技术路径。

衍生相关工作

基于该数据集衍生的经典工作包括双教师框架 DLAdapter，其通过静态教师维持源域知识、动态教师捕捉目标域特征的设计，在 CVPR 等顶会引发广泛关注。后续研究如 IRG 方法进一步引入实例关系图增强特征对齐，推动形成了文档分析领域源自由适应的技术体系。这些工作共同构成了当前文档智能研究中最活跃的方向之一。