# Wild-OmniDocBench

**面向真实场景的文档解析鲁棒性评测基准**

<p align="center">
  <a href="https://huggingface.co/datasets/VirtualLUO/Wild_OmniDocBench">English</a> •
  <a href="https://arxiv.org/abs/2603.23885">论文</a> •
  <a href="https://github.com/VirtualLUOUCAS/Wild_OmniDocBench">GitHub</a> •
  <a href="https://huggingface.co/datasets/VirtualLUO/Wild_OmniDocBench">HuggingFace</a>
</p>

## 概述

**Wild-OmniDocBench** 是一个用于评估文档解析模型在真实拍摄条件下鲁棒性的基准测试。它基于 [OmniDocBench](https://github.com/opendatalab/OmniDocBench)，通过受控的物理模拟将扫描/数字文档转换为真实拍摄图像，包括打印、物理变形以及在多种光照条件下拍摄。

与依赖清晰扫描或数字原生页面的标准基准不同，Wild-OmniDocBench 引入了真实场景下的各类干扰：
- **几何畸变**（透视变换、弯曲、褶皱）
- **光照变化**（定向光、不均匀光、低光环境）
- **屏幕翻拍伪影**（摩尔纹、反光）
- **环境干扰**（背景叠加、阴影）

> **说明：** 当前发布的 Wild-OmniDocBench 对应 **OmniDocBench v1.5**。我们正在处理 v1.6 版本的扩充部分，将在后续开源。

<p align="center">
  <img src="assets/overview.png" width="90%" alt="Wild-OmniDocBench 构建流程">
</p>

## 基准统计

| 项目 | 详情 |
|------|------|
| 图片总数 | 1,350 |
| 来源 | OmniDocBench 的真实拍摄变体 |
| 文档类型 | 书籍、教材、论文、PPT、报纸、笔记、考试、杂志、财报等 |
| 采集方式 | (i) 打印 + 物理变形 + 拍照；(ii) 屏幕显示 + 翻拍 |
| 标注 | 继承自 OmniDocBench（完整结构和阅读顺序标注） |

## 数据格式

### 目录结构

```
Wild_OmniDocBench/
├── README.md                   # 英文说明
├── README_ZH.md                # 中文说明
├── wild_omnidocbench.zip       # 基准图片（1,350 张 JPG）
└── assets/
    └── overview.png            # 概览图
```

### 图片

解压 `wild_omnidocbench.zip` 后，图片命名遵循 OmniDocBench 规范：

```
{文档类型}_{语言}_{来源}_{页码}.jpg
```

例如：`book_en_A.Concise.Introduction.to.Linear.Algebra_page_065.jpg`

## 评测

Wild-OmniDocBench 使用与 [OmniDocBench](https://github.com/opendatalab/OmniDocBench) 相同的标注格式和评测协议。评测步骤：

1. **获取标注和评测脚本**：从 OmniDocBench 官方仓库获取：
   ```
   https://github.com/opendatalab/OmniDocBench
   ```

2. **替换图片源**：将图片替换为 Wild-OmniDocBench 的图片（来自 `wild_omnidocbench.zip`）。

3. **运行评测**：按照 OmniDocBench 协议进行评测。评测指标包括：
   - **Overall Score**（综合得分 ↑）
   - **Text Edit Distance**（文本编辑距离 ↓）
   - **Formula CDM**（公式准确率 ↑）
   - **Table TEDS**（表格结构准确率 ↑）
   - **Reading Order Edit Distance**（阅读顺序编辑距离 ↓）

## 主要结果

从 OmniDocBench 到 Wild-OmniDocBench 的性能下降（来自 DocHumming 论文）：

| 模型 | 类型 | Overall（原始） | Overall（Wild） | 下降幅度 |
|------|------|:-:|:-:|:-:|
| DocHumming (1B) | 端到端 | 93.75 | 87.03 | −6.72 |
| dots.ocr (3B) | 端到端 | 88.41 | 78.01 | −10.40 |
| Qwen3-VL (235B) | 通用 | 89.15 | 79.69 | −9.46 |
| MinerU2.5 (1.2B) | 级联 | 90.67 | 70.91 | −19.76 |
| PaddleOCR-VL (0.9B) | 级联 | 91.93 | 72.19 | −19.74 |

在真实拍摄条件下，端到端模型的性能下降显著小于级联流水线方法。

## 引用

```bibtex
@misc{li2026towardsrealworlddocument,
      title={Towards Real-World Document Parsing via Realistic Scene Synthesis and Document-Aware Training},
      author={Gengluo Li and Pengyuan Lyu and Chengquan Zhang and Huawen Shen and Liang Wu and Xingyu Wan and Gangyan Zeng and Han Hu and Can Ma and Yu Zhou},
      year={2026},
      journal={arXiv preprint arXiv:2603.23885},
      url={https://arxiv.org/abs/2603.23885},
}
```

## 致谢

Wild-OmniDocBench 基于 [OmniDocBench](https://github.com/opendatalab/OmniDocBench) 构建。感谢 OmniDocBench 团队提供的原始标注和评测框架。

## 许可

本基准仅供**学术研究**使用。