一种基于布局分析和公式表格解析的科技论文识别方法

本发明涉及一种基于布局分析和公式表格解析的科技论文识别方法，属于计算机视觉、多模态深度学习及自然语言处理领域。本发明采用端到端的视觉语言模型架构，通过统一的多模态理解框架对科技论文进行全面分析，能够同时理解文档的视觉布局和语义内容，直接从文档图像生成包含文本、公式、表格、图像等多模态信息的结构化输出。该技术基于视觉语言模型，具备强大的跨模态理解能力，能够在单一模型中完成传统多步骤流水线的全部功能，实现对科技论文的端到端精准识别和解析。本发明能够显著提高科技文献数字化处理效率和准确性，为学术研究、知识管理和信息检索提供更加智能化的技术支持。