文档布局检测

概述

文档布局检测（Document Layout Detection）是从 PDF 页面中识别和定位不同语义区域（文本区、图像、表格、公式框等）的计算机视觉任务，是高质量 PDF 解析的关键环节。

关键内容

为什么需要布局检测

即使有了 PyMuPDF 提取的所有字符坐标，我们依然不知道： - 哪些字符属于同一个段落？ - 哪里是图片的图注，哪里是正文？ - 这是一个单栏 PDF 还是双栏 PDF？ - 这个区域是表格还是普通文字？ - 公式在哪里？

传统方法试图用纯规则（启发式）来解决：比如"Y 坐标接近的 Span 属于同一行"，"行间距大于某阈值则换段落"。但这类规则在面对复杂学术论文布局时极其脆弱。

解决方案：先用深度学习模型对整个页面图像做语义分割式的区域检测，再基于检测结果组织内容。这是一个典型的"先视觉理解，后文字处理"的架构哲学。

任务定义

输入：PDF 页面（原始或渲染为图像）输出：带类别标签的边界框列表，类别包括： - 文本区（title / text / abstract / reference 等） - 图像区域（figure） - 表格区域（table） - 公式框（formula） - 页眉页脚（header / footer） - 图注/表注（figure_caption / table_caption） - 公式编号（equation_caption）

在 MinerU 流水线中的位置

文档布局检测是 MinerU 七层流水线的第三层，承接底层 PDF 解析，为后续内容专项识别提供检测框。整体架构是"先视觉理解，后文字处理"。

主要模型

DocLayout-YOLO：基于 YOLO 架构的 One-Stage 检测器，推理速度快，专为文档布局场景优化，支持 11 类检测
LayoutLMv3：微软多模态文档理解模型，结合视觉和文本特征，精度更优但推理成本更高

与下游环节的协同

布局检测输出的 layout_bboxes 直接驱动第四层的内容专项识别： - 文本区 → OCR（PaddleOCR） - 公式框 → 公式识别（UniMERNet） - 表格区域 → 表格识别（TableMaster）

布局框后处理

检测完成后还需要一系列后处理： - Span 对齐：将底层提取的 Span 通过中心点 + IoU 分配到对应布局框 - 孤儿 Span 处理：未落入任何布局框的 Span 通过就近原则分配或丢弃 - 布局框合并与拆分：相邻 text 框水平对齐且间距小于行高 → 合并；text 框内存在明显分栏 → 拆分 - 分栏检测：通过 text 框 x 中心分布推断单栏/双栏，为后续阅读顺序重建提供结构信息

来源

raw/assets/MinerU/minerU_01_architecture.md — MinerU 深度解析系列 · 第一篇
raw/assets/MinerU/minerU_03_layout.md — MinerU 深度解析系列 · 第三篇：布局检测系统