[論文レビュー] NovaLAD: A Fast, CPU-Optimized Document Extraction Pipeline for Generative AI and Data Intelligence

Aman Ulla|arXiv (Cornell University)|Feb 23, 2026

Handwritten Text Recognition Techniques被引用数 0

ひとこと要約

NovaLAD は CPU 最適化された並列デュアル YOLO ドキュメント解析パイプラインを提供し、GPU を必要とせずに複数フォーマットの出力と最先端の DP-Bench 指標（TEDS および NID）を達成します。

ABSTRACT

Document extraction is an important step before retrieval-augmented generation (RAG), knowledge bases, and downstream generative AI can work. It turns unstructured documents like PDFs and scans into structured text and layout-aware representations. We introduce NovaLAD, a comprehensive document parsing system that integrates two concurrent YOLO object detection models - element detection and layout detection - with rule-based grouping and optional vision-language enhancement. When a page image is sent in, the first thing that happens is that it goes through both models at the same time. The element model finds semantic content like the title, header, text, table, image, and so on, and the layout model finds structural regions like layout_box, column_group, multi_column, row_group, and so on. A key design decision is to first send an image or figure through an image classifier (ViT) that decides whether it is relevant or not. Only useful images are then submitted to the Vision LLM for title, summary, and structured information, which cuts down on noise and costs. NovaLAD is built for speed: it works on CPU, employs parallel execution for detection, classification, OCR, and conversion, and generates several forms, including structured JSON, Markdown, RAG-ready texts, and knowledge graphs. We test on the DP-Bench benchmark (upstage/dp-bench) and get 96.49% TEDS and 98.51% NID, which is better than both commercial and open-source parsers. This paper explains how to extract data, how the architecture works, how data flows, and how to make NovaLAD both accurate and usable without needing a GPU.

研究の動機と目的

• 下流AI タスク（RAG やナレッジグラフなど）向けに読み順とレイアウト意味論を保持してドキュメント抽出品質を向上させる。
• 並列検出と任意のビジョン言語強化を可能にしてCPU のみで推論を実行し、処理コストと待機時間を削減する。
• ベンチマークと実運用パイプラインに適した標準化された複数フォーマット出力（JSON、Markdown、RAG チャンク、ナレッジグラフ）を提供する。
• 多様なデータセットで最先端の DP-Bench 指標（NID、TEDS、TEDS-S）を維持しつつ、CPU 効率で達成する。

提案手法

• 各ページで並列デュアル YOLO 検出を実行し、レイアウト領域と意味要素を同時に識別する。
• ViT（Vision Transformer）画像分類器を用いて画像/図表要素をフィルタリングし、Vision LLM 強化の有用なビジュアルのみを保持する。
• レイアウト領域と要素を統合してページのレイアウトと読み順を形成し、DBSCAN と幾何ソートによるレイアウト認識付きグルーピングを可能にする。
• 利用可能な場合はPDF テキストレイヤーからテキストを抽出し、EasyOCR の場合はそれ以外を用い、下流フォーマット向けに正規化とエンティティ構築を行う。
• 必要に応じて有用な画像や表を Vision LLM で強化し、タイトル・要約・構造化データを生成する。
• 並列・CPU ベースの処理で出力を構造化された JSON として直列化し、Markdown、RAG ドキュメントチャンク、ナレッジグラフへエクスポートする。

Figure 1 : Complete end-to-end NovaLAD pipeline. The process begins with a document page fed to parallel Layout Detection and Elements Detection (YOLO models). Images/figures are filtered by a useful vs useless classifier. Layout and filtered elements merge into a unified representation, followed by

実験結果

リサーチクエスチョン

• RQ1 CPU 最適化パイプラインは多様なドキュメントレイアウトで読み順とレイアウト意味論をどのように保持できるか？
• RQ2 並列デュアル検出（レイアウトと要素）は GPU なしで精度と速度を向上させられるか？
• RQ3 画像有用性ゲート（ViT）が Vision LLM 強化の下流品質とコストに与える影響はどの程度か？
• RQ4 NovaLAD はさまざまなドキュメントタイプで DP-Bench 指標（NID、TEDS、TEDS-S）とどの程度整合するか？
• RQ5 解析済みドキュメントからのRAG、ナレッジグラフ、自動分析に最適なフォーマットと表現は何か？

主な発見

• NovaLAD は NID 98.51%、TEDS 96.49% の最先端 DP-Bench 指標を達成（upstage/dp-bench）.
• デュアル YOLO 検出設定（レイアウトと要素）は訓練が成功し、要素検出の mAP50 が約0.86、レイアウト検出が約0.57 と比べて高い。
• 画像分類ゲート（ViT）は役に立たない画像を効果的にフィルタリングし、ノイズと下流コストを削減しつつ LLM 強化に有用なビジュアルを保持する。
• GPU 不要でパラレル処理された出力を複数フォーマット（JSON、Markdown、RAG チャンク、ナレッジグラフ）で同時に提供する。
• NovaLAD は検出、OCR、変換の並列実行による高速な CPU ベースの推論を実現し、DP-Bench で競争力のある精度を達成する。

(a) Precision/recall and mAP.