PaddlePaddle/Real5-OmniDocBench

Real5-OmniDocBench是一个面向真实世界场景的全新基准数据集，基于OmniDocBench v1.5数据集构建。该数据集包含五种不同的场景：扫描、弯曲、屏幕摄影、光照和倾斜。除了扫描类别外，所有图像均通过手持移动设备手动获取，以紧密模拟真实世界条件。每个子集与原始OmniDocBench保持一一对应关系，严格遵循其真实标注和评估协议。鉴于其实证和现实性质，该数据集可作为评估文档解析模型在实际应用中鲁棒性的严格基准。

Real5-OmniDocBench is a brand-new benchmark oriented toward real-world scenarios, which we constructed based on the OmniDocBench v1.5 dataset. The dataset comprises five distinct scenarios: Scanning, Warping, Screen-Photography, Illumination, and Skew. Apart from the Scanning category, all images were manually acquired via handheld mobile devices to closely simulate real-world conditions. Each subset maintains a one-to-one correspondence with the original OmniDocBench, strictly adhering to its ground-truth annotations and evaluation protocols. Given its empirical and realistic nature, this dataset serves as a rigorous benchmark for assessing the robustness of document parsing models in practical applications.

搜集汇总

数据集介绍

构建方式

Real5-OmniDocBench数据集是基于OmniDocBench v1.5版本构建的全新基准测试集，专为模拟真实世界中的文档解析场景而设计。该数据集涵盖了扫描、卷曲、屏幕拍摄、光照变化和倾斜五个典型子集。除扫描类别外，其余所有图像均通过手持移动设备手动采集，以最大程度地还原实际应用中的拍摄条件。每个子集均与原始OmniDocBench保持一一对应关系，并严格遵循其真实标注与评估协议，从而确保了跨场景性能比较的公正性与可复现性。

特点

该数据集的核心特色在于其高度真实的场景覆盖与严谨的对照设计。五个子集分别模拟了平扫、书脊弯曲、屏幕摩尔纹与反射、局部阴影与眩光、以及透视形变等常见视觉干扰。每个子集均包含1355张图像，与原始OmniDocBench评估集精确对应，使得研究者能够在统一标注体系下直接对比模型在不同退化条件下的鲁棒性。这种构造方式不仅保留了基准的全面性，更引入了现实拍摄中的噪声与失真，为文档解析模型的实战评估提供了严苛的试金石。

使用方法

使用Real5-OmniDocBench时，研究者可直接将各子集的图像输入待评估的文档解析模型，并按照OmniDocBench的标准输出格式（如Markdown文档）获取预测结果。随后，利用OmniDocBench官方提供的评估脚本与指标（如归一化编辑距离、BLEU、METEOR、TEDS及COCODet等）进行性能度量。由于各子集与原始基准一一对应，用户能够直接对比同一模型在五个真实干扰场景下的表现差异，从而精准衡量模型在实际应用中的稳健性。

背景与挑战

背景概述

在文档智能解析领域，现有基准数据集通常局限于理想化的扫描文档，难以反映移动设备拍摄场景中的复杂视觉失真。为弥合这一鸿沟，Real5-OmniDocBench数据集于2026年由研究团队基于OmniDocBench v1.5构建，并被ECCV 2026接收。该数据集聚焦于现实世界中的文档解析挑战，包含扫描、卷曲、屏幕拍摄、光照不均和倾斜五种典型场景，所有图像均通过手持移动设备人工采集，以高度模拟真实应用环境。其核心研究问题在于评估文档解析模型在多样化现实干扰下的鲁棒性，为学术研究与工业部署提供了严谨的评测标尺。数据集严格遵循原始OmniDocBench的标注与评估协议，每个子集包含1355张图像，确保了跨场景对比的公平性，推动了文档解析领域从实验室理想条件向真实场景的范式迁移。

当前挑战

该数据集所解决的领域核心挑战在于文档解析模型在真实摄影环境中的泛化能力脆弱性，具体表现为：1）卷曲场景中页面弯曲导致的形变失真，严重干扰文字与表格的结构识别；2）屏幕拍摄引入的摩尔纹、反射伪影及低对比度纹理，使模型难以区分内容与噪声；3）光照不均与阴影区域造成局部过曝或欠曝，导致关键信息丢失；4）倾斜拍摄引发的透视畸变，改变了文字的自然排列与几何关系。在构建过程中，挑战在于如何在自然采集中严格控制变量，确保每个场景的1355张图像与原始数据集精确一一对应，并排除拍摄条件差异带来的偶然性偏差。此外，手动采集需要平衡真实性与系统性，覆盖从轻微到极端的失真范围，以构建具有诊断价值的硬例样本。

常用场景

经典使用场景

在文档智能解析领域，Real5-OmniDocBench作为面向真实世界场景的基准测试集，其经典用途在于评估和比较各类文档解析模型在五种典型退化条件下的鲁棒性。该数据集涵盖了扫描、卷曲、屏幕拍摄、光照不均和倾斜透视等现实拍摄中不可避免的挑战，使得研究者能够系统性地探究模型在应对页面弯曲、摩尔纹、反光阴影以及几何形变时的表现。通过在同一组1,355张源图像上施加不同的真实干扰，该基准为衡量模型在非理想采集环境下的泛化能力提供了标准化、可复现的测试平台，从而推动了文档解析技术从实验室洁净环境向实际应用的稳健迁移。

解决学术问题

该数据集精准回应了文档解析研究中一个长期悬而未决的学术难题：现有评估体系过度依赖扫描仪或合成数据，导致模型在真实拍摄场景中的性能退化被严重低估。Real5-OmniDocBench通过手工采集的方式，系统性地引入了卷曲、倾斜、屏幕拍摄和光照变化等真实干扰，揭示了主流文档解析模型在面对这些现实挑战时性能的显著波动——例如在倾斜场景下，部分模型的整体得分骤降至37.98%，远低于扫描场景的89.59%。这一发现促使学术界重新审视模型鲁棒性的评价标准，并刺激了针对抗干扰能力优化的研究方向，其影响已促使多项后续工作将鲁棒性作为核心评估指标。

衍生相关工作

Real5-OmniDocBench的出现直接引领了一系列围绕文档解析鲁棒性的衍生研究工作。其中，PaddleOCR-VL系列版本通过在该基准上的迭代优化，实现了从1.5版本至1.6版本的整体得分跃升（92.05→93.19），彰显了针对性数据增强和模型结构调整的成效。此外，GLM-OCR和MinerU2.5-pro等专门化视觉语言模型也依托该基准进行了深度调校，在卷曲和屏幕拍摄等困难场景上取得了突破性进展。这些工作不仅巩固了该基准作为标准化鲁棒性测试平台的学术地位，还催生了新的研究范式——将真实场景退化建模为可学习的变换先验，从而推动文档分析从单一模态向多场景自适应感知的演进。