document-analysis

PDFやOfficeドキュメントなどの複雑な文書を、エージェンティックワークフロー用のLLM対応のmarkdown/JSONに変換します。

「Dolphin: Document Image Parsing via Heterogeneous Anchor Prompting」の公式リポジトリ (ACL, 2025)

エージェンティックLLMを活用したデータ処理およびETLのためのシステム

C# で PDF からテキストやその他のコンテンツを読み取って抽出する（PDFBox のポート）

オンプレミスで OCR 不要の非構造化データ抽出、マークダウン変換、ベンチマーク用のツールキット (https://idp-leaderboard.org/)

Advanced Literate Machinery に向けた独創的で革新的なアイデアとアルゴリズムのコレクション。このプロジェクトは Alibaba Group 達摩院言語技術ラボ OCR チームによって維持されています。

AIを使用してドキュメントから構造化データを抽出するオープンソースプラットフォーム

OpenOCR: 一般 OCR の研究と応用向けのオープンソースツールキット。統一された学習・評価ベンチマーク、商用グレードの OCR および文書解析システム、多数の学術論文のコア実装の忠実な再現を統合しています。

Dedocは、ドキュメントの解析と統一フォーマットへの変換を自動化するためのライブラリ（サービス）です。テキスト電子ドキュメントから、コンテンツ、論理構造、テーブル、メタ情報を自動的に抽出します。（ドキュメント解析、ドキュメントコンテンツ抽出、論理構造抽出、PDFパーサー、スキャン済みドキュメントパーサー、DOCXパーサー、HTMLパーサー）

[ECCV 2026] 自己回帰デコーディングをブロック単位の並列拡散デコーディングに置き換える、ドキュメントOCR用の拡散ベースのフレームワーク。

論文「PICK: Processing Key Information Extraction from Documents using Improved Graph Learning-Convolutional Networks」 (ICPR 2020) のコード

AssemblyLine 4: ファイルトリアージとマルウェア解析