문서를 보고 답 찾기
자연 영상을 대상으로 하는 질의응답과 달리 문서 영상에 담긴 내용으로 질문에 답한다. 데이터셋은 1만 2천 개가 넘는 문서 영상 위에 정의한 5만 개의 질문을 포함한다.
읽기 이해와의 관계
연구는 기존 시각 질의응답 및 읽기 이해 데이터셋과 비교해 자료의 특성을 분석했다. 읽은 텍스트만 이용하는 문제와 문서의 시각적 구조까지 이용하는 문제를 함께 살펴볼 수 있다.
초기 기준 모델
기존 시각 질의응답과 읽기 이해 모델을 적용해 기준 결과를 제시했다. 일부 질문에는 잘 답했지만 사람의 평가 결과와는 큰 차이가 있었다고 보고했다.
구조가 필요한 질문
초기 분석은 문서의 구조를 알아야 하는 질문에서 개선 필요성을 강조했다. 이 차이는 논문 당시 기준 모델의 결과이며, 현재 모든 모델의 성능 수준을 나타내는 수치로 사용할 수는 없다.
관련 문서
LayoutLM / Donut 문서 이해 모델 / UDOP / 시각 질의응답 / 광학 문자 인식 / 벤치마크