视觉大模型 / VLM

DocDjinn: Controllable Synthetic Document Generation with VLMs and Handwriting Diffusion

DocDjinn: 基于VLMs和手写扩散的可控合成文档生成

Marcel Lamott, Saifullah Saifullah, Nauman Riaz, Yves-Noel Weweler, Tobias Alt-Veit, Ahmad Sarmad Ali, Muhammad Armaghan Shakir, Adrian Kalwa, Momina Moetesum, Andreas Dengel, Sheraz Ahmed, Faisal Shafait, Ulrich Schwanecke, Adrian Ulges

机构 * RheinMain University of Applied Sciences（莱茵-美因应用科学大学） ； German Research Center for Artificial Intelligence（德国人工智能研究中心） ； DeepReader GmbH（DeepReader公司） ； Insiders Technologies GmbH（Insiders Technologies公司） ； National University of Sciences and Technology（国家科学与技术大学） 纠错

专题命中 文档图表理解 ：vision-language model(abstract)；分类 cs.LG

AI总结 DocDjinn利用VLMs和手写扩散生成可控合成文档，通过聚类和参数化采样从未标注种子生成高质量标注文档，实现隐私保护和高效数据生成。