Transformer OCR 방식:

• 이미지 분석: 표 안에 있는 "$10.00" 텍스트를 시각적으로 인식합니다.
• 특징: 글자 모양을 있는 그대로 읽어냅니다.
• 결과물: "$10.00"이라는 텍스트 데이터를 그대로 인식합니다.
• 요약: 보이는 텍스트를 그대로 인식하는 것에 집중합니다.

VLM (Vision-Language Model) 방식:

• 이미지 분석: "Price" 항목 아래에 있는 "$10.00"의 맥락을 시각 정보와 의미 정보를 결합해 이해합니다.
• 특징: 맥락과 의미를 함께 파악합니다.
• 결과물: "이 상품의 가격은 10달러입니다."와 같이 문장 형태나 의미 있는 정보로 추출합니다.
• 요약: 문맥을 이해하고 필요한 값을 능동적으로 추출합니다.

1세대 (1980~2000s): 기계적 패턴 매칭 - "글자 도장 찍어보기"

• 프로세스: 입력 이미지를 미리 정의된 템플릿(글꼴)과 비교하여 인식 결과를 도출합니다.
• 대표 기술: 템플릿 매칭(Template Matching), HMM(Hidden Markov Model), 초기 버전의 Tesseract.
• 특징: 엄격한 규칙 기반으로 작동하며, 픽셀의 형태를 미리 정의된 글꼴과 직접 비교합니다.

2세대 (2010s): 딥러닝 - "벼락치기 달인"

• 프로세스: 입력 이미지를 CNN(시각적 특징 추출)과 RNN(순서 정보 학습)을 거쳐 데이터로 인식합니다.
• 대표 기술: CNN + RNN(CRNN), CTC(Connectionist Temporal Classification) 기반 파이프라인.
• 특징: 시각적 특징을 데이터로 학습하고, 순서대로 문맥을 파악하기 시작한 단계입니다.

3세대 (2020s~현재): VLM과 공간적 추론 (Multimodal Brain) - "문서를 이해하는 편집자"

• 프로세스: 문서 전체를 언어적으로 이해하여 JSON, Markdown 등 구조화된 데이터로 추출합니다.
• 대표 기술: Transformer, Vision-Language Model(VLM).
• 특징: 문서 전체 레이아웃과 논리를 언어적으로 이해하여 구조화된 데이터로 직접 번역 및 추출합니다.

입력: 이미지 입력 (사진, 문서)

Step 1. 비전 인코더 (Vision Encoder): 시각적 특징 추출 (Visual Feature Extraction)

• 기능: 이미지를 작은 조각으로 나누고 디지털 특징 벡터로 변환하는 '눈'의 역할을 합니다.

Step 2. 교차 모달 어댑터 (Cross-Modal Adapter): 데이터 연결 (Data Connection)

• 기능: 시각 데이터를 LLM 언어 공간으로 투영하고 정렬하는 '연결 다리' 역할을 합니다.

Step 3. LLM 디코더 (LLM Decoder): 최종 텍스트 생성 (Final Text Generation)

• 기능: 시각 정보와 텍스트 프롬프트(명령)를 종합하여 답변을 생성하는 '뇌'의 역할을 합니다.

출력: 텍스트 출력 (답변)