摘要：理解文档图像（如发票）是一个核心且具有挑战性的任务，因为它需要执行复杂的功能，如读取文本和对文档的整体理解。目前的视觉文档理解（VDU）方法将读取文本的任务外包给现成的光学字符识别（OCR）引擎，并专注于使用OCR输出进行理解任务。尽管基于OCR的方法显示出令人鼓舞的性能，但它们面临以下问题：1）使用OCR的高计算成本；2）OCR模型在语言或文档类型上的灵活性差；3）OCR错误会传播到后续处理过程。为了解决这些问题，本文提出了一种新的无OCR的VDU模型，名为Donut（即文档理解Transformer）。作为无OCR的VDU研究的第一步，我们提出了一个简单的架构（即Transformer）和预训练目标（即交叉熵损失）。Donut概念上简单但有效。通过广泛的实验和分析，我们展示了一个简单的无OCR的VDU模型Donut，在各种VDU任务中，无论是在速度还是准确性上都达到了最先进的性能。此外，我们提供了一个合成数据生成器，帮助模型的预训练在各种语言和领域中更具灵活性。代码、训练模型和合成数据可以在https://github.com/clovaai/donut中获取。

关键词：视觉文档理解，文档信息提取，光学字符识