Posts

最近终于把一条完整的智能 PDF 解析链路跑通了。整个方案从最开始的 fast 策略文本提取，到后面的 hi_res、版面检测、Paddle OCR、表格图块导出，再到 DeepSeek-OCR 对表格进行结构化增强，基本把一条复杂 PDF 的解析链完整打透了。 最终效果比预期要好，尤其是 YOLOX 在版面检测阶段对表格区域的提取效果明显优于 detectron2_onnx，这一点对后续表格结构化质量提升非常关键。 这篇文章主要做一个完整复盘，梳理这个项目的核心技术路线、关键模块分工、踩坑点，以及最终可落地的方案。 一、项目目标 这个项目的核心目标不是单纯做“PDF 转文本”，而是： 对复杂 PDF 做结构化解析 识别标题、正文、图片、表格等版面元素 对复杂表格做更高质量的结构化重建 最终输出统一 JSON，方便后续检索、知识库入库和下游问答 所以本质上，这是一个 多模型协同的智能文档解析系统，而不是一个简单的 OCR 脚本。 二、整体技术路线 整个系统采用的是分阶段流水线： 数据接入层 支持本地 PDF 支持数据库二进制 PDF 文档解析主链 使用 unstructured.partition.pdf.partition_pdf fast 模式用于基础文本提取 hi_res 模式用于复杂版面解析 版面检测（Layout Detection） 使用 detectron2_onnx / yolox 负责识别页面中的 Title、Text、Table、Image 等区域 OCR 识别 使用 Paddle OCR 对版面检测后的区域做文字识别 表格局部增强 提取 Table 元素对应的图块 调用 DeepSeek-OCR 做 markdown / HTML 风格重构 统一结构化输出 ...

视觉 SLAM 核心理解（以 ORB-SLAM3 为例） 一、什么是 SLAM SLAM（Simultaneous Localization and Mapping）解决的问题是： 在未知环境中，通过传感器数据，同时估计自身位姿（Localization）并构建环境地图（Mapping）。 对于视觉 SLAM： 输入：图像序列（单目 / 双目 / RGB-D） 输出： 相机轨迹（Pose） 地图（Map） 本质上是一个： 时序状态估计 + 几何重建 + 优化问题 二、SLAM 的核心问题拆解 SLAM 的本质可以拆成三个核心子问题： 1️⃣ 位姿估计（Localization） 目标： 求解每一时刻相机在世界坐标系中的位姿 (T_{cw}) 依赖： 图像特征 2D-3D 或 2D-2D 约束 几何模型（PnP / 本质矩阵） 2️⃣ 地图构建（Mapping） 目标： 从多帧观测中恢复三维结构 方式： 双目视差（Stereo） 多视图三角化（Monocular） 结果： 稀疏地图（MapPoints） 关键帧结构（KeyFrames） 3️⃣ 优化（Optimization） 目标： 通过最小化重投影误差，提高整体一致性 核心形式： min \sum || x - \pi(T \cdot X) ||^2 其中： ...