今天是2025年7月3日，星期四，北京，雨
先来看多模态RAG进展，关于这块，已经在多模态RAG专题中介绍过很多了。
其中提到最多的，就是ColBERT、ColPali这两类embedding模型，不过，从技术角度上讲，两者存在一定局限性。
例如：
ColBERT和ColPali可以检索到了包含相关信息的页面，但仅检索到页面是不够的，还需要进一步分析页面中的具体内容；
ColBERT仅依赖文本信息，未能准确解析文本中的数值数据，例如，在某些场景下或错误地得出“外国出生的拉丁裔人口更多”的结论；
此外，标准的多模态RAG框架，例如M3DocRAG，虽然结合了文本和图像信息，但由于缺乏对关键信息的细致提取和跨模态整合能力，未能正确回答问题。
因此，针对这个问题，一个很自然的方式，就是召回后，再做一些内容上的过滤，再贴点边，就是跟Agent相结合，所以，就搞个Agent? 那么可以怎么玩？看一个工作。
另外，说到文档处理，那么，就可以再看看文档预处理，尤其是一些不规则的非印刷体文档，如何做标准化，这个对RAG也很重要。
一、MDocAgent多模态RAG思路
最近的工作《MDocAgent: A Multi-Modal Multi-Agent Framework for Document Understanding》，https://arxiv.org/pdf/2503.13964，https://github.com/aiming-lab/MDocAgent，多模态多智能体框架，利用文本和图像信息来提高文档问答的准确性。
1、有哪几个Agent?
五个专门的Agent：General Agent、Critical Agent、Text Agent、Image Agent、Summarizing Agent，每个Agent主要是基于prompt在驱动，具体形势如下：
在具体选型上，使用Llama-3.1-8B-Instruct作为文本智能体的基础模型，Qwen2-VL-7B-Instruct作为其他四个智能体的基础模型，ColBERTv2和ColPali分别作为文本和图像检索器。
2、具体实现步骤是什么？
具体步骤分成5步，如下图所示：
1）文档预处理：使用OCR和PDF解析提取文本，并将每页文档保存为图像，形成文本和视觉表示
2）多模态上下文检索：使用ColBERT和ColPali分别对文本和图像进行检索，获取与问题最相关的文本段和图像页
3）初始分析和关键信息提取：General Agent生成初步答案，Critical Agent提取关键信息，指导文本及图像细分处理进行分析
4）文本及图像细分处理：Text Agent和Image Agent分别在各自模态内分析检索到的上下文，生成详细的答案
5）答案合成：Summarizing Agent综合所有智能体的输出，生成最终答案。可以重点看架构选型。
二、RAG做文档解析的前处理-文档图像增强问题
文档解析是当前RAG系统的重点问题，在实际处理过程中，并非总是会遇到标准的印刷体文档，还会存在一些拍照版本的问题，这个如果不做处理，直接送到layout或者ocr，会影响实际效果。
1、具体存在哪些问题？
这类问题常常表现为几何失真、阴影、污渍等多种问题，如下：
所以，经常需要做去畸变（去扭曲消除几何失真，如弯曲和褶皱）、去阴影、外观增强、去模糊和二值化任务，这个其实也叫文档恢复任务。
那么， 是否可以将这几个任务放在一起做？
前沿的方案可以看《DocRes: A Generalist Model Toward Unifying Document Image Restoration Tasks》，代码在：https://github.com/ZZZHANG-jx/DocRes/tree/master，https://arxiv.org/pdf/2405.04408
其意义在于提出一个统一了五种文档图像还原任务的通用模型，包括去扭曲、去阴影、外观增强、去模糊和二值化。
其中：
外观增强（也称为照明校正）不限于特定的退化类型，旨在恢复类似于从扫描仪或数字原生 PDF 文件获得的清晰外观；
去阴影的目的是消除主要由遮挡引起的阴影，以获得无阴影的文档图像；
去扭曲，也称为几何校正，旨在校正受到曲线、折叠、皱褶、透视/仿射变形和其他几何扭曲的文档图像；
1、架构及训练阶段？
架构方面，特征提取网络使用DTPrompt生成器根据指定任务从输入图像中提取先验特征，并将其与输入图像拼接，恢复网络使用Restormer。
核心两个阶段：
1）动态任务特定提示（DTPrompt），根据输入图像的特征提取不同的先验特征，这些特征包括文档分割掩码、二值化结果、梯度图等，这个解决的是特征提取问题。
2）提示融合和恢复网络：将DTPrompt与输入图像沿通道维度拼接，形成新的输入用于恢复网络，选择Restormer作为恢复网络，并对其进行微调，这个解决的是恢复问题。
2、训练数据有哪些？
数据往往更为重要，这块没办法，还是合成方案居多，例如：
去扭曲处理数据包括Doc3D，一个包含100K样本的合成数据集，其中包括几何扭曲的文档图像及相应的反向映射图。
去阴影数据及包含来自FSDSRD的14200张合成图像和来自RDD训练集的4371张真实图像。
外观增强包含来自Doc3DShade数据集的90K张合成图像和来自RealDAE训练集的450张真实世界图像。
去模糊使用文本去模糊数据集（TDD）包含66K训练样本；二值化使用(H)-DIBCO数据集。
3、看下实际效果
看论文中提到的一些实现效果，包括输入、DTSPrompt、DocRes修复结果及真实值的可视化对比，包括去弯曲、去阴影、外观增强、去模糊 和二值化。
4、关于文档处理这块更进一步的延伸？
如果要文档处理这块有更深的了解，可以看一个技术总结，包含文档图像处理方法的论文集，包括外观增强、去阴影、去扭曲、去模糊和二值化，可以跟一下一个技术总结项目。
地址在：https://github.com/ZZZHANG-jx/Recommendations-Document-Image-Processing
参考文献
1、https://github.com/aiming-lab/MDocAgent
2、https://arxiv.org/pdf/2405.04408
（文：老刘说NLP）