WebOverlay: High-Throughput Vision-Only Distillation for Extreme Aspect-Ratio Web Overlay Detection

📄 arXiv: 2610.41037v1 📥 PDF

作者: Jiannan Huang, Jerry Ding, Li Yu, Zhenting Li

分类: cs.CV, cs.AI, cs.IR

发布日期: 2026-10-29

备注: 9 pages, 2 figures, 2 tables

💡 一句话要点

提出WebOverlay以解决极端纵横比网页覆盖物检测问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 网页覆盖物 视觉检测 蒸馏训练 动态切片 边界裁决 高吞吐量 轻量级模型

📋 核心要点

  1. 现有的多模态大型语言模型在识别网页覆盖物时虽然准确，但其高延迟和推理成本限制了大规模应用。
  2. 本文提出WebOverlay，通过蒸馏训练构建一个轻量级的视觉检测器，专注于视觉线索，避免了DOM树解析的延迟。
  3. 实验结果表明，WebOverlay在精度和召回率上与重型MLLM基线相当，但吞吐量提高了多个数量级，部署成本显著降低。

📝 摘要（中文）

网页覆盖物（如cookie同意横幅、新闻通讯提示和年龄验证）会阻碍自动化网络爬虫并降低下游文档表示的质量。尽管现有的多模态大型语言模型（MLLMs）能够准确识别这些覆盖物，但其延迟和推理成本使得在网络规模上应用变得困难。轻量级视觉模型在处理极端纵横比的全页面渲染时表现不佳，标准的等距缩放会导致关键文本特征的丢失和误报。为此，本文提出了WebOverlay，一个通过从前沿视觉-语言教师模型蒸馏训练的高吞吐量视觉检测器。我们建立了一种动态切片策略，将极端纵横比的网页渲染分割成具有空间重叠的保持纵横比的补丁，并结合了一个考虑纵横比的边界裁决机制以消除边界伪影。WebOverlay显著超越了基于DOM的启发式方法，在精度和召回率上与重型的专有MLLM基线相当，同时提供了多个数量级更高的吞吐量和显著降低的部署成本。

🔬 方法详解

问题定义：本文解决的是极端纵横比网页覆盖物的检测问题。现有的轻量级视觉模型在处理此类全页面渲染时，因标准缩放导致关键文本特征丢失，产生误报。

核心思路：WebOverlay通过蒸馏训练从前沿视觉-语言模型中学习，采用动态切片策略将网页渲染分割为保持纵横比的补丁，避免了传统方法的缺陷。

技术框架：整体架构包括动态切片模块、视觉特征提取模块和边界裁决模块。动态切片模块负责将网页渲染分割成多个重叠补丁，视觉特征提取模块用于提取每个补丁的特征，边界裁决模块则用于消除边界伪影。

关键创新：最重要的创新在于动态切片策略和考虑纵横比的边界裁决机制，这与现有方法的静态处理方式形成鲜明对比，显著提高了检测精度。

关键设计：在网络结构上，采用了轻量级卷积神经网络，损失函数设计为结合分类损失和边界损失，以确保检测的准确性和边界的清晰度。

🖼️ 关键图片

fig_0

📊 实验亮点

实验结果显示，WebOverlay在精度和召回率上与重型专有MLLM基线相当，但其吞吐量提高了多个数量级，达到显著的性能提升。此外，部署成本也大幅降低，展示了其在实际应用中的优势。

🎯 应用场景

WebOverlay的潜在应用场景包括网页内容监测、广告检测和用户体验优化等领域。其高效的检测能力能够帮助企业更好地理解用户交互，提升网页内容的可访问性和用户体验。未来，该技术还可能扩展到其他视觉识别任务中，推动相关领域的发展。

📄 摘要（原文）

Web overlays, such as cookie consent banners, newsletter prompts, and age gates, obstruct automated web crawlers and degrade downstream document representations. While proprietary multimodal Large Language Models (MLLMs) can accurately identify overlays, their latency and inference cost preclude web-scale ingestion. Conversely, lightweight vision models struggle with full-page renderings characterized by extreme vertical aspect ratios, where standard isotropic resizing collapses critical text features and causes false positives. In this work, we present WebOverlay, a high-throughput vision-only detector trained via distillation from a frontier vision-language teacher. We establish a dynamic tiling strategy that partitions extreme aspect-ratio web renders into aspect-preserving patches with spatial overlap, coupled with an aspect-ratio-aware boundary adjudication mechanism to eliminate boundary artifacts. To eliminate cross-modal latency overheads, our student model relies purely on visual cues, bypassing DOM tree parsing. WebOverlay significantly outperforms DOM-based heuristics and achieves competitive precision and recall against heavy proprietary MLLM baselines while delivering multiple orders of magnitude higher throughput and substantially reduced deployment costs.