LongDocBench: Benchmarking TOC Hierarchy and Contextual Relationship Recovery in Long Documents
LongDocBench是含85份长文档的基准，可评估目录层级与上下文关系恢复任务，实验显示该基准结构能提升长文档问答推理，相关资源已公开。
2026-08-18 cs.AI
Long Text and Multi-Table Summarization: Dataset and Method
The Hong Kong Polytechnic University（香港理工大学）
自动文档摘要的目的是生成一个简洁的摘要，涵盖输入文档的显着信息。在报告文档中，显著信息可以分散在文本和非文本内容中。然而，现有的文档摘要数据集和方法通常集中在文本和过滤掉非文本内容。缺少表格数据可能会限制生成的摘要的信息量，特别是当摘要需要在表格中涵盖关键指标的定量描述时。现有的数据集和方法无法满足在每个报告中汇总长文本和多个表格的要求。为了应对可用数据的稀缺性，我们提出了FINDSum，这是第一个用于长文本和多表摘要的大规模数据集。它建立在3,794家公司的21,125份年度报告基础上，有两个子集用于总结每家公司的经营业绩和流动性。为了总结每份报告中的长文本和数十个表格，我们提出了三种类型的摘要方法。此外，我们提出了一套评估指标，以评估数字信息的使用情况，在生产的摘要。数据集分析和实验结果表明，在汇总报告文档时，联合考虑输入文本和表格数据的重要性。
2023-02-08 cs.AI cs.CL
Global Table Extractor (GTE): A Framework for Joint Table Identification and Cell Structure Recognition Using Visual Context
University of Michigan（密歇根大学）；IBM Research-Almaden（IBM阿尔马登研究中心）；IBM Research Australia（IBM澳大利亚研究中心）
文档通常用于商业和科学中的知识共享和保存，其中包含捕获大多数关键数据的表格。不幸的是，大多数文档都是以PDF或扫描图像的形式存储和分发的，这无法保留逻辑表结构。最近提出了基于视觉的深度学习方法来解决这一差距，但大多数仍然无法实现最先进的结果。我们提出了全局表提取器（GTE），一个视觉引导的联合表检测和细胞结构化识别的系统框架，它可以建立在任何目标检测模型之上。与GTE-Table，我们发明了一个新的惩罚的基础上自然细胞遏制约束表训练我们的表网络的细胞位置预测的帮助。GTE-Cell是一个新的分层细胞检测网络，利用表格样式。此外，我们设计了一种方法来自动标记现有文档中的表和单元格结构，以廉价地创建大型训练和测试数据语料库。我们使用它来增强PubTabNet与单元格标签，并创建FinTabNet，真实世界和复杂的科学和金融数据集，详细的表结构注释，以帮助训练和测试结构识别。我们的框架在表格检测和细胞结构识别方面都超过了ICDAR 2013和ICDAR 2019表格竞赛的最新结果，在全表格提取系统中显着提高了5.8%。进一步的实验表明，与我们新的域外FinTabNet中的香草RetinaNet目标检测模型相比，细胞结构识别的改进超过45%。
2020-12-02 cs.CV
MATE: Multi-view Attention for Table Transformer Efficiency
Google Research（谷歌研究院）；University of Maryland（马里兰大学）；Symanto Research（Symanto研究院）
这项工作提出了一个稀疏注意力Transformer架构，用于建模包含大型表的文档。表格在网络上无处不在，并且信息丰富。然而，web上超过20%的关系表具有20行或更多行（Cafarella等人，2008），并且这些大型表对当前的Transformer模型提出了挑战，当前的transformer模型通常限于512个令牌。在这里，我们提出了MATE，一种新的Transformer架构，旨在模拟Web表的结构。MATE使用稀疏注意力的方式，允许头有效地注意表中的行或列。该架构在速度和内存方面线性扩展，并且可以使用当前的加速器处理包含8000多个令牌的文档。MATE对表格数据也有一个更合适的归纳偏差，并为三个表格推理数据集设置了一个新的最先进的。对于HybridQA（Chen等人，2020b），一个涉及包含表格的大型文档的数据集，我们将最佳先验结果提高了19个点。
2021-09-09 cs.AI cs.CL cs.IR
Benchmarking Open-Source Layout Detection Models for Data Snapshot Extraction from Institutional Documents
Development Data Group Office of the World Bank Group Chief Statistician（世界银行发展数据分析组办公室世界银行统计主任）；The World Bank（世界银行）
针对机构文档中图表数据快照提取任务，构建基准数据集并评估多个开源布局检测模型，发现现有模型在操作型文档上泛化能力不足，存在内容混淆、碎片化及上下文缺失等问题。
2026-06-04 cs.AI cs.CL cs.CV
Segment-Phrase Table for Semantic Segmentation, Visual Entailment and Paraphrasing
University of Washington（华盛顿大学）；The Allen Institute for AI（艾伦人工智能研究所）
我们介绍段短语表（SPT），文本短语和它们相应的分割之间的双射关联的大集合。利用对象识别和自然语言语义的最新进展，我们展示了如何成功地建立一个高质量的段短语表，使用最少的人的监督。更重要的是，我们展示了这种丰富的双峰资源所释放的独特价值，无论是视觉还是自然语言理解。首先，我们表明，细粒度的文本标签促进上下文推理，有助于满足跨图像段的语义约束。此功能使我们能够在基准数据集上实现最先进的分割结果。接下来，我们表明，高质量的分割文本短语的关联有助于更丰富的语义理解和推理这些文本短语。利用这一功能，我们激发了视觉蕴涵和视觉释义的问题，并展示了它在大型数据集上的实用性。
2015-09-27 cs.CV
Document-as-Image Representations Fall Short for Scientific Retrieval
Department of Computer Science（计算机科学系）
本文提出ArXivDoc新基准，通过LaTeX源代码构建，对比文本、图像和多模态检索方法，发现基于图像的文档表示效果差，文本表示更有效，多模态方法表现最佳。
2026-10-15 cs.AI cs.CL cs.IR
Synthetic Data Augmentation for Table Detection: Re-evaluating TableNet's Performance with Automatically Generated Document Images
Deggendorf Institute of Technology（德格多夫技术学院）
本研究针对文档表格人工提取效率低的问题，提出基于LaTeX的自动化合成数据流水线增强Marmot基准，系统研究不同分辨率下TableNet的表格检测性能，在降低人工标注成本的同时取得了不错的检测效果。
2025-06-17 cs.AI cs.CV
Multi-Type-TD-TSR -- Extracting Tables from Document Images using a Multi-stage Pipeline for Table Detection and Table Structure Recognition: from OCR to Structured Table Representations
随着全球趋势转向数据驱动型行业，对能够将扫描文档的数字图像转换为机器可读信息的自动算法的需求正在迅速增长。除了数据数字化为数据分析工具的应用提供了机会外，流程自动化也有了巨大的改进，而以前需要手动检查文件。虽然光学字符识别技术的引入主要解决了将人类可读的字符从图像转换为机器可读的字符的任务，但多年来提取表语义的任务较少关注。表格的识别主要包括两个任务，即表格检测和表格结构识别。关于这个问题的大多数先前工作集中在没有提供端到端解决方案的任务上，或者关注真实的应用条件，如旋转图像或文档图像内的噪声伪影。最近的工作显示了一个明显的趋势，即深度学习方法加上迁移学习用于表结构识别任务，因为缺乏足够大的数据集。在本文中，我们提出了一个多级流水线命名为多类型TD-TSR，它提供了一个端到端的解决方案，表识别的问题。它利用最先进的深度学习模型进行表格检测，并根据表格的边界区分3种不同类型的表格。对于表结构的识别，我们使用一个确定性的非数据驱动的算法，它适用于所有的表类型。我们还提出了两个算法。一个是无边框表，一个是有边框表，这是所使用的表结构识别算法的基础。我们在ICDAR 2019表格结构识别数据集上评估了Multi-Type-TD-TSR，并实现了新的最先进技术。
2021-05-23 cs.AI cs.CV cs.LG
Graph Neural Networks and Representation Embedding for Table Extraction in PDF Documents
University of Florence（佛罗伦萨大学）
表格广泛用于几种类型的文档中，因为它们可以以结构化的方式带来重要信息。在科学论文中，表格可以总结新颖的发现和总结实验结果，使研究具有可比性，易于学者理解。有几种方法对文档图像执行表格分析，在从PDF文件转换过程中丢失了有用的信息，因为OCR工具很容易识别错误，特别是对于表格中的文本。本文的主要工作是利用图神经网络解决表格抽取问题。节点特征通过适当设计的表示嵌入而丰富。这些表示法不仅有助于更好地区分表格和纸张的其他部分，还有助于更好地区分表格单元格和表格标题。我们在一个新的数据集上对所提出的方法进行了实验评估，该数据集是通过合并PubLayNet和PubTables-1 M数据集中提供的信息获得的。
2022-08-23 cs.CV
Locating Tables in Scanned Documents for Reconstructing and Republishing (ICIAfS14)
University of Peradeniya（佩拉德尼亚大学）
人类可用的知识库取决于学习资源的来源，这些资源可以从古代的印刷文件到现在的电子材料。如果我们要保持电子文件的格式和外观与印刷文件相同，就需要将传统图书馆的材料迅速转换为数字形式。大多数打印文档不仅包含字符及其格式，还包含一些相关的非文本对象，如表格，图表和图形对象。这是具有挑战性的检测它们，并专注于内容的格式保存，同时再现它们。为了解决这个问题，我们提出了一种算法，使用局部阈值的字间距和行高定位和提取所有类别的表格从扫描的文档图像。从298个文件进行的实验中，我们得出结论，我们的算法具有约75%的整体准确性，从扫描的文档图像中检测表。由于该算法不完全依赖于规则线，它可以检测到所有类别的表格在一系列扫描文件具有不同的字体类型，风格和大小，以提取其格式特征。此外，该算法可以应用于多列布局中的表的定位，在布局分析的小修改。以表格现有的格式特点处理表格将极大地有助于为重印和更新目的复制印刷文件。
2014-12-24 cs.CV
Current Status and Performance Analysis of Table Recognition in Document Images with Deep Neural Networks
German Research Center for Artificial Intelligence（德国人工智能研究中心）；University of Kaiserslautern（凯泽斯劳滕大学）；Mindgrage；Luleå University of Technology（吕勒奥理工大学）；Bilojix Soft Technologies（Bilojix软件技术公司）
表格识别的第一阶段是检测文档中的表格区域。随后，在第二阶段中识别表格结构，以便从各个单元提取信息。表格检测和结构识别是表格理解领域的关键问题。然而，表格分析是一个复杂的任务，由于大量的多样性和不对称的表格。因此，它是文档图像分析中一个活跃的研究领域。图形处理单元的计算能力的最新进展使得深度神经网络能够优于传统的最先进的机器学习方法。表理解已经从深度神经网络的最新突破中受益匪浅。然而，对于用于表格检测和表格结构识别的深度学习方法还没有统一的描述。这篇综述论文对利用深度神经网络的现代方法进行了全面分析。这项工作提供了一个全面的了解目前的最先进的和相关的挑战，在文档图像中的表格理解。此外，主要数据集及其复杂性已与定量结果一起阐述。此外，简要概述了有前途的方向，可以作为指导，以进一步提高文件图像中的表分析。
2021-05-08 cs.CV
MonkeyOCR v1.5 Technical Report: Unlocking Robust Document Parsing for Complex Patterns
KingSoft Office Zhuiguang AI Lab（金山办公紫光人工智能实验室）；Huazhong University of Science and Technology（华中科技大学）
针对现有OCR系统难以处理含多级表格、嵌入图像等复杂布局文档的问题，提出MonkeyOCR v1.5两阶段视觉语言框架，通过多模态布局预测、局部识别及专用表格模块，在OmniDocBench v1.5上性能超越PPOCR-VL等，提升复杂文档解析鲁棒性。
2025-11-16 cs.AI cs.CV
TabIQA: Table Questions Answering on Business Document Images
National Institute of Informatics（国立信息学研究所）
表格回答业务文档中的问题有许多挑战，需要理解表格结构、跨文档引用以及简单搜索查询之外的其他数值计算。本文介绍了一种新的管道，名为TabIQA，回答有关业务文档图像的问题。TabIQA结合了最先进的深度学习技术，1）从图像中提取表格内容和结构信息，2）回答与数字数据、基于文本的信息以及结构化表格中的复杂查询相关的各种问题。在VQAonBD 2023数据集上的评估结果证明了TabIQA在回答表格相关问题方面的有效性。TabIQA存储库可在https://github.com/phucty/itabqa上获得。
2023-03-27 cs.CL cs.CV
A Saliency-based Convolutional Neural Network for Table and Chart Detection in Digitized Documents
University of Catania（卡塔尼亚大学）；Tab2Ex（Tab2Ex公司）
深度卷积神经网络（DCNN）最近已成功应用于各种视觉和多媒体任务，从而推动了多个应用领域中新型解决方案的开发。文档分析是DCNN的一个特别有前途的领域：事实上，可用的数字文档数量已经达到了前所未有的水平，如果没有自动化的帮助，人类不再能够发现和检索这些文档中包含的所有信息。在这种情况下，DCNN提供了一个可行的解决方案，自动化的信息抽取过程中的数字文档。在从文档中提取信息抽取的领域内，特别需要检测表格和图表，因为它们包含文档中包含的最有价值的信息的视觉摘要。为了从表格和图表中完全自动地进行视觉信息抽取过程，有必要开发定位它们并精确识别它们的边界的技术。在本文中，我们的目标是通过结合深度卷积神经网络，图形模型和显着性概念的方法来解决表格/图表检测任务。特别是，我们提出了一个基于显着性的完全卷积神经网络执行多尺度推理的视觉线索，其次是一个完全连接的条件随机场（CRF）本地化的表格和图表在数字/数字化的文件。对ICDAR 2013扩展版本（带注释的图表和表格）进行的性能分析表明，我们的方法产生了有希望的结果，优于现有的模型。
2018-04-17 cs.CV
TDATR: Improving End-to-End Table Recognition via Table Detail-Aware Learning and Cell-Level Visual Alignment
University of Science and Technology of China（中国科学技术大学）；iFLYTEK Research（iFLYTEK研究院）
TDATR通过表格细节感知学习和单元级视觉对齐改进端到端表格识别，采用感知-融合策略，提升模型鲁棒性和识别精度，无需数据集特定微调即可在七个基准上取得领先性能。
2026-03-24 cs.AI cs.CV
DEXTER: An end-to-end system to extract table contents from electronic medical health documents
BUDDI.AI (A Claritrics Company)（BUDDI.AI（Claritrics旗下公司））
在本文中，我们提出了DEXTER，一个端到端的系统，从医疗健康文件，如电子健康记录（EHR）和解释的好处（EOB）中存在的表中提取信息。DEXTER由四个子系统阶段组成：i）表检测ii）表类型分类iii）单元检测;以及iv）单元内容提取。我们提出了一种基于两阶段迁移学习的方法，使用CDeC-Net架构以及非最大值抑制进行表检测。我们设计了一个传统的计算机视觉为基础的方法，表类型分类和细胞检测使用参数化的内核的基础上检测行和列的图像大小。最后，我们使用预先存在的OCR引擎Tessaract从检测到的单元格中提取文本。为了评估我们的系统，我们手动注释了真实世界医疗数据集（称为Meddata）的样本，该数据集由各种文档（外观方面）组成，涵盖不同的表结构，例如有边框，部分有边框，无边框或彩色表。我们的实验表明，DEXTER优于商业上可用的Amazon Texextract和Microsoft Azure Form Recognizer系统在带注释的真实世界医疗数据集上的性能
2022-07-18 cs.CV
DocQT: Improving Document Forgery Localization Robustness via Diverse JPEG Quantization Tables
MAIF, Niort, France（法国尼奥特MAIF机构）；L3i Laboratory, La Rochelle University, La Rochelle, France（法国拉罗谢尔大学拉罗谢尔L3i实验室）
本文提出DocQT数据集，通过对比不同架构在不同量化表训练下的表现，证明标准质量因子增强无法代表实际压缩多样性，并展示了显式考虑量化表的架构在实际部署中的鲁棒性优势。
2026-08-07 cs.CV
CDeC-Net: Composite Deformable Cascade Network for Table Detection in Document Images
CVIT, IIIT, Hyderabad（海得拉巴国际信息技术研究所视觉信息技术中心）
本地化页面元素/对象（如表格、图形、公式等）是从文档图像中提取信息的主要步骤。我们提出了一种新的端到端可训练深度网络（CDeC-Net），用于检测文档中存在的表格。所提出的网络由Mask R-CNN的多级扩展组成，具有双骨干，具有可变形卷积，用于在较高的IoU阈值下以高检测精度检测规模变化的表。我们在所有公开的基准数据集上对CDeC-Net进行了经验评估- ICDAR-2013，ICDAR-2017，ICDAR-2019，UNLV，Marmot，PubLayNet和TableBank -通过广泛的实验。我们的解决方案有三个重要的属性：（i）单个训练模型CDeC-Net在所有流行的基准数据集上表现良好;（ii）我们报告了多个（包括更高的）IoU阈值的出色性能;（iii）通过遵循最近论文中针对每个基准的相同协议，我们始终如一地展示了卓越的定量性能。我们的代码和模型将公开发布，以实现结果的可重复性。
2020-08-25 cs.CV
Identifying Table Structure in Documents using Conditional Generative Adversarial Networks
Swiss Re（瑞士再保险公司）；Quartet Health（四方健康公司）；OTO Systems（OTO系统公司）
在许多行业以及学术研究中，信息主要以非结构化文档的形式传输（例如本文）。分层相关的数据被呈现为表格，从这些文档中的表格中提取信息是一个重大的挑战。许多现有的方法采用自下而上的方法，首先将线条集成到单元格中，然后将单元格集成到行或列中，最后从所得的2-D布局中推断出结构。但是这种方法忽略了与表结构相关的可用先验信息，即表仅仅是潜在逻辑结构的任意表示。我们提出了一个自上而下的方法，首先使用一个有条件的生成对抗网络映射到一个标准化的“骨架”表的形式表示近似的行和列的边界没有表的内容，然后派生潜在的表结构使用xy切割投影和遗传算法优化。该方法很容易适应不同的表配置，并需要小的数据集大小的训练。
2020-01-13 cs.CV cs.NE
The future of document indexing: GPT and Donut revolutionize table of content processing
Dreeven Technologies Inc（德雷文技术公司）
针对工业规范文档人工提取结构化信息效率低的问题，提出结合Donut与GPT-3.5 Turbo的目录自动提取结构化方法，分别取得85%、89%的准确率，革新文档索引流程。
2024-03-12 cs.AI cs.CV cs.IR
FormStruct-Bench:A Hierarchical and Diagnostic Benchmark for Table-Form Document Structure Recognition
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；University of Washington（华盛顿大学）
该研究提出FormStruct-Bench基准，通过分层评估表格型文档结构识别，发现现有系统在细粒度结构恢复上远弱于内容读取，为相关任务提供诊断依据。
2026-08-12 cs.CV
Robust Table Detection and Structure Recognition from Heterogeneous Document Images
University of Science and Technology of China（中国科学技术大学）；Microsoft Research Asia（微软亚洲研究院）
我们介绍了一种新的表检测和结构识别方法RobusTabNet检测表的边界，并从异构文档图像中重建每个表的细胞结构。对于表格检测，我们建议使用CornerNet作为新的区域建议网络，为Faster R-CNN生成更高质量的表格建议，这显著提高了Faster R-CNN用于表格检测的定位准确性。因此，我们的表检测方法仅使用轻量级ResNet-18骨干网络，在三个公共表检测基准（即cTDaR TrackA，PubLayNet和IIIT-AR-13 K）上实现了最先进的性能。在此基础上，提出了一种新的基于分割合并的表格结构识别方法，该方法采用基于空间CNN的分割线预测模块将检测到的表格分割成网格单元，并采用基于网格CNN的单元合并模块恢复生成单元。由于空间CNN模块可以有效地在整个表格图像中传播上下文信息，因此我们的表格结构识别器可以鲁棒地识别具有大空白空间的表格和几何扭曲（甚至弯曲）的表格。由于这两种技术，我们的表结构识别方法在三个公共基准上实现了最先进的性能，包括SciTSR，PubTabNet和cTDaR TrackB 2-Modern。此外，我们还进一步证明了我们的方法在识别具有复杂结构，大空白空间以及几何扭曲甚至弯曲形状的表格方面的优势。
2022-09-16 cs.CV
INDOTABVQA: A Benchmark for Cross-Lingual Table Understanding in Bahasa Indonesia Documents
IIT Jodhpur（印度理工学院贾尔普尔分校）；Punjabi University（旁遮普大学）
本文提出INDOTABVQA基准测试，用于评估跨语言表格视觉问答性能，包含1593张文档图像和四语问题-答案对，揭示了VLM在单语和跨语言设置下的性能差异，并展示了微调对提升准确性的作用。
2026-04-13 cs.AI cs.CL cs.CV
CascadeTabNet: An approach for end to end table detection and structure recognition from image-based documents
Pune Institute of Computer Technology（浦那计算机技术学院）
一种用于文档图像中表格数据解释的表格自动识别方法，主要解决表格检测和表格结构识别两个问题。先前的工作涉及使用两种不同的方法独立地解决这两个问题。最近的工作意味着使用基于深度学习的解决方案，同时也试图设计端到端的解决方案。在本文中，我们提出了一种改进的基于深度学习的端到端方法，用于使用单个卷积神经网络（CNN）模型解决表格检测和结构识别这两个问题。我们建议CascadeTabNet：基于级联掩码区域的CNN高分辨率网络（级联掩码R-CNN HRNet）的模型，其检测表的区域并同时从检测到的表识别结构体单元。我们在ICDAR 2013、ICDAR 2019和TableBank公共数据集上评估了我们的结果。我们在ICDAR 2019竞赛后的表格检测结果中排名第三，同时在ICDAR 2013和TableBank数据集中获得了最佳准确性结果。我们还在ICDAR 2019表格结构识别数据集上获得了最高的准确率结果。此外，我们展示了有效的迁移学习和图像增强技术，使CNN能够实现非常准确的表检测结果。代码和数据集已在以下网址提供：https://github.com/DevashishPrasad/CascadeTabNet
2020-05-28 cs.CV
Detecting Table Region in PDF Documents Using Distant Supervision
Tsinghua University（清华大学）；Bosch Research（博世研究院）
优于国家的最先进的方法，在表格识别与67注释的政府报告在PDF格式发布的{ \it ICDAR 2013表格比赛}，本文提供了一种新的范式，利用大规模的未标记的PDF文档的开放域表检测。我们将范例集成到我们最新开发的系统（{ \it PdfExtra}）中，以通过来自{ \it ACL Anthology}的整个存储库的9，466篇学术文章来检测表格的区域，其中几乎所有的论文都以PDF格式存档，没有对表格进行注释。该范例首先设计了自动构造弱标记数据的算法。然后将{ \it Apache PDFBox}提取并由{\it Stanford NLP}工具包处理的文档布局和语言特征等各种证据输入到不同的规范分类器中。最后，我们使用这些分类器，即{ \it朴素贝叶斯}，{ \it逻辑回归}和{ \it支持向量机}，对表的区域进行协同投票。实验结果表明，{ \it PdfExtra}与现有方法相比，实现了一个巨大的飞跃。此外，我们还讨论了不同的特征，学习模型，甚至文档的域可能会影响性能的因素。广泛的评估表明，我们的范例是兼容的，足以利用各种功能和学习模型的开放域表区域检测PDF文件。
2015-09-22 cs.CV cs.IR
End-to-End Semi-Supervised approach with Modulated Object Queries for Table Detection in Documents
Technical University of Kaiserslautern（凯泽斯劳滕工业大学）；Mindgarage；German Research Institute for Artificial Intelligence (DFKI)（德国人工智能研究中心）
针对现有半监督文档表格检测方法训练效率低、伪标签有噪声的问题，提出结合一对一与一对多分配的新型匹配策略的Transformer半监督检测器，在多个基准上以30%标注数据取得SOTA结果。
2024-05-11 cs.CV
TGRNet: A Table Graph Reconstruction Network for Table Structure Recognition
Beijing Jiaotong University（北京交通大学）；The University of Sydney（悉尼大学）；JD Explore Academy（京东探索研究院）
表格是一种非常有效的数据结构，在商业和科学研究中得到了广泛的应用。考虑到在线和离线文档中的大规模表格数据，自动表格识别越来越受到文档分析界的关注。虽然人类可以很容易地理解表格的结构，但对于机器来说，理解这一点仍然是一个挑战，特别是由于各种不同的表格布局和风格。现有方法通常将表格建模为标记序列或不同表格单元格之间的邻接矩阵，未能解决表格单元格的逻辑位置的重要性，例如，单元格位于表格的第一行和第二列中。本文将表结构识别问题转化为表图重构问题，提出了一种用于表结构识别的端到端可训练表图重构网络（TGRNet）。具体地，所提出的方法具有两个主要分支，小区检测分支和小区逻辑位置分支，以联合预测不同小区的空间位置和逻辑位置。三个流行的表识别数据集和一个新的数据集与表图注释（TableGraph-350 K）的实验结果表明，所提出的TGRNet表结构识别的有效性。代码和注释将公开提供。
2021-08-17 cs.AI cs.CV
HighlightBench: Benchmarking Markup-Driven Table Reasoning in Scientific Documents
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of California, Merced（加州大学默塞德分校）；University of Queensland（昆士兰大学）
本文提出HighlightBench，用于评估文档中基于标记的表格推理能力，通过五个任务家族分解评估，并提供可复现的基准流程，揭示模型在视觉提示与符号推理一致性下的稳定性问题。
2026-03-25 cs.CV
TableNet: Deep Learning model for end-to-end Table detection and Tabular data extraction from Scanned Document Images
TCS Research（塔塔咨询服务公司研究院）
随着移动电话和扫描仪广泛用于拍摄和上传文档，提取非结构化文档图像（如零售收据、保险索赔表和财务发票）中的信息的需求变得越来越迫切。实现这一目标的一个主要障碍是，这些图像通常包含表格形式的信息，从表格子图像中提取数据提出了一系列独特的挑战。这包括准确检测图像内的表格区域，以及随后从检测到的表格的行和列中检测和提取信息。虽然在表检测方面已经取得了一些进展，但提取表内容仍然是一个挑战，因为这涉及到更细粒度的表结构（行和列）识别。先前的方法已经尝试使用两个单独的模型来独立地解决表检测和结构识别问题。在本文中，我们提出了TableNet：一种用于表格检测和结构识别的新型端到端深度学习模型。该模型利用表检测和表结构识别的孪生任务之间的相互依赖性来分割出表和列区域。这之后是从所识别的表格子区域中基于语义规则的行提取。在公开可用的ICDAR 2013和Marmot Table数据集上对所提出的模型和提取方法进行了评价，获得了最新的结果。此外，我们还证明了提供额外的语义特征进一步提高了模型性能，并且该模型具有跨数据集的迁移学习。本文的另一个贡献是为Marmot数据提供额外的表结构注释，目前只有表检测的注释。
2020-01-06 cs.CV cs.LG eess.IV
TableVQA-Bench: A Visual Question Answering Benchmark on Multiple Table Domains
NAVER Cloud AI（NAVER云人工智能）
本文提出 TableVQA-Bench 表格视觉问答基准，通过样式表或渲染系统生成图像、利用大语言模型生成 QA 对，并系统评估多模态大语言模型在表格视觉问答上的性能。
2024-04-30 cs.AI cs.CV
CTE: A Dataset for Contextualized Table Extraction
Dipartimento di Ingegneria dell’Informazione (DINFO) Università degli studi di Firenze（佛罗伦萨大学信息工程系）
文件中的相关信息通常以表格形式概括，帮助读者识别有用的事实。大多数基准数据集支持文档布局分析或表格理解，但缺乏以统一的方式应用这两项任务的数据。我们定义了上下文化表提取（CTE）的任务，其目的是提取和定义表的结构，考虑到文档的文本上下文。该数据集包含75 k页完整注释的科学论文，包括超过35 k个表格。数据从PubMed Central收集，合并了PubTables-1 M和PubLayNet数据集中注释提供的信息。该数据集可以支持CTE并向原始类添加新类。生成的注释可用于开发各种任务的端到端管道，包括文档布局分析、表格检测、结构识别和功能分析。我们正式定义CTE和评估指标，显示哪些子任务可以解决，描述的优势，局限性，以及未来的工作，这个数据集。注释和代码可通过https://github.com/AILab-UniFI/cte-dataset访问。
2023-02-13 cs.CL cs.CV
Tables to LaTeX: structure and content extraction from scientific tables
Indian Institute of Technology Gandhinagar（甘地纳格尔印度理工学院）
科学文档包含以简洁的方式列出重要信息的表格。从PDF研究文档中嵌入的表格中提取结构和内容是一项非常具有挑战性的任务，因为存在诸如跨越单元格的视觉特征和诸如数学符号和方程的内容特征。现有的大多数表格结构识别方法往往忽略了这些学术写作特征。在本文中，我们适应基于transformer的语言建模范式的科学表结构和内容提取。具体来说，该模型将表格图像转换为相应的LaTeX源代码。总的来说，我们的表现优于当前最先进的基线，并在表结构和内容提取上分别实现了70.35%和49.69%的精确匹配精度。进一步的分析表明，所提出的模型有效地识别行数和列数，字母数字字符，LaTeX令牌和符号。
2022-10-31 cs.AI cs.CV cs.IR
Table Detection in the Wild: A Novel Diverse Table Detection Dataset and Method
Subex AI Labs（Subex人工智能实验室）
本文针对现有表格检测基准多样性不足的问题，提出了一个包含七千余样本的多样化大规模表格检测数据集，并通过卷积神经网络基线实验证明深度学习方法优于经典计算机视觉方法。
2023-11-30 cs.CV
LingDT-VL-OCR: Structure-Aware Document-Level Parsing with Fine-Grained Visual Reference
Ant Group（蚂蚁集团）
Agentar-Fin-OCR通过跨页整合与难度自适应学习提升金融文档解析精度，FinDocBench提供评估框架以验证模型性能。
2026-07-08 cs.CV
Table Structure Recognition using Top-Down and Bottom-Up Cues
International Institute of Information Technology, Hyderabad（海得拉巴国际信息技术研究所）
表格是文档图像中信息丰富的结构化对象。虽然在将表格定位为文档图像中的图形对象方面已经做了大量的工作，但在表格结构识别方面只存在有限的尝试。大多数现有的文献结构识别依赖于从PDF文档中提取的元特征或光学字符识别（OCR）模型，从图像中提取低级别的布局特征。然而，这些方法不能很好地推广，因为当表格布局和文本组织存在显著差异时，OCR会产生元特征或错误。在我们的工作中，我们专注于具有复杂结构，密集内容和不同布局的表格，而不依赖于元特征和/或OCR。我们提出了一种表格结构识别的方法，它结合了单元格检测和交互模块来定位单元格，并预测它们与其他检测到的单元格的行和列关联。我们将结构约束作为额外的差分组件的损失函数的细胞检测。我们在公开可用的真实世界数据集上经验验证了我们的方法- ICDAR-2013，ICDAR-2019（cTDaR）存档，UNLV，SciTSR，SciTSR-COMP，TableBank和PubTabNet。我们的尝试开辟了一个新的方向，表结构识别相结合的自上而下（表单元格检测）和自自底向上的【形】（结构识别）的线索在视觉上理解的表。
2020-10-09 cs.CV
SPRINT: Script-agnostic Structure Recognition in Tables
IIT Bombay（印度理工学院孟买分校）；Department of Computer Science and Engineering, IIT Bombay（印度理工学院孟买分校计算机科学与工程系）
本文提出语言无关的表格结构识别框架SPRINT，利用OTSL序列与预训练网格估计器提升多语言TSR性能，降低延迟，并发布13语言MUSTARD数据集。
2025-03-15 cs.CV
MERIT: Multimodal Evidence Reasoning over Image Tables
Renmin University of China（中国人民大学）；Beike Inc.（贝壳公司）
针对表格序列化丢失信息的问题，提出MERIT三阶段框架，结合表格图像与可选序列化表格，在表格问答等任务上验证了其有效性与泛化性。
2026-10-14 cs.AI cs.CV
Table Detection for Visually Rich Document Images
University of Ottawa（渥太华大学）；Lytica Inc.（Lytica公司）
针对视觉丰富文档中的表格检测，本文将 IoU 解耦为真实值与预测覆盖项以衡量信息损失，并改进 SparseR-CNN，在多数据集上持续超越现有方法。
2023-10-26 cs.CV cs.IR
Image-based table recognition: data, model, and evaluation
IBM Research Australia（澳大利亚IBM研究院）
文档中与特定主题相关的重要信息通常以表格格式组织，以帮助读者进行信息检索和比较，这可能难以用自然语言提供。然而，非结构化数字文档中的表格数据，例如，可移植文档格式（PDF）和图像由于其结构和风格的复杂性和多样性而难以解析成结构化的机器可读格式。为了通过深度学习促进基于图像的表格识别，我们开发了最大的公开可用表格识别数据集PubTabNet（https：//github.com/ibm-aur-nlp/PubTabNet），其中包含568 k表格图像以及相应的结构化HTML表示。PubTabNet通过匹配PubMed Central开放获取子集（PMCOA）中科学文章的XML和PDF表示自动生成。我们还提出了一种新的注意力为基础的编码器双解码器（EDD）架构，将图像的表到HTML代码。该模型有一个结构解码器，它重建表结构，并帮助单元解码器识别单元内容。此外，我们提出了一个新的树编辑距离为基础的相似性（TEDS）指标的表识别，更适当地捕捉多跳细胞错位和OCR错误比预先建立的度量。实验表明，EDD模型可以准确地识别复杂的表格，完全依赖于图像表示，超过9.7%的绝对TEDS得分的最先进的。
2020-03-04 cs.CV
TABLET: A Large-Scale Dataset for Robust Visual Table Understanding
School of Informatics, University of Edinburgh（爱丁堡大学信息学院）；HiTZ Center - Ixa, University of the Basque Country UPV/EHU（巴斯克国家大学HiTZ中心）
TABLET是一个大规模视觉表格理解数据集，包含400万个示例和21项任务，旨在提升模型对真实世界表格可视化的鲁棒性。
2026-02-12 cs.CL cs.CV
On Cropped versus Uncropped Training Sets in Tabular Structure Detection
University of Ottawa（渥太华大学）；Lytica Inc.（Lytica公司）
从工业到政府的许多组织都非常需要用于表格信息抽取的自动文档处理。先前的工作已经在表检测和表结构检测任务下解决了这个问题。利用深度学习方法提出的解决方案在这些任务中取得了可喜的成果。然而，数据集结构对表结构检测的影响尚未被研究。在这项研究中，我们提供了一个比较表结构检测性能与裁剪和未裁剪的数据集。裁剪集仅由从文档中裁剪的表格图像组成，假设表格被完美地检测到。未裁剪的集合由常规文档图像组成。实验表明，深度学习模型可以在裁剪版本上将检测性能的平均精确度和平均召回率提高9%。此外，与未裁剪的版本相比，在50%-70%的交集对并集（IoU）值下，裁剪图像的影响可以忽略不计。然而，超过70%的IoU阈值，裁剪的数据集提供了显着更高的检测性能。
2021-10-07 cs.CV
Client-Driven Content Extraction Associated with Table
LORIA - Université de Lorraine（洛林大学洛林计算机研究所）
该项目的目标是根据学习到的模式在文档图像中提取表格内的内容。现实世界的用户，即，客户首先在表中提供一组他们认为重要的关键字段。这些首先用于表示图，其中节点被标记有包括其他特征的语义，并且边缘被归因于关系。属性关系图（ARG），然后挖掘相似的图从文档图像。每个挖掘的图将表示表中的一个项，因此一组这样的图将组成一个表。我们已经通过使用一个现实世界的工业问题验证了这个概念。
2013-04-06 cs.CV cs.IR
Beyond Embeddings: The Promise of Visual Table in Visual Reasoning
The Chinese University of Hong Kong（香港中文大学）；Shanghai AI Laboratory（上海人工智能实验室）
本文提出面向视觉推理的层次化文本表征Visual Table及其小规模标注训练生成器，在11个基准上优于既有结构化与文本表征，并可稳定增强多模态大模型。
2024-06-17 cs.AI cs.CL cs.CV
Web Table Classification based on Visual Features
Hector Research Institute of Education Sciences and Psychology, University of Tübingen（蒂宾根大学赫克托教育科学与心理学研究所）；University of Mannheim（曼海姆大学）
网络上的表格构成了许多应用程序的宝贵数据源，如事实搜索和知识库扩充。然而，由于真正的表只占一小部分的表在Web上的关系知识，可靠的真正的Web表分类是至关重要的第一步表提取。以前的作品通常依赖于HTML代码的显式特征构造。相比之下，我们提出了一种Web表格分类的方法，利用完整的视觉外观的表，它的工作原理纯粹是通过应用卷积神经网络的渲染图像的Web表格。由于这些视觉特征可以自动提取，我们的方法规避了显式特征构建的需要。为此任务生成了一个新的手工标记的黄金标准数据集，其中包含13，112个表的HTML源代码和图像。将迁移学习技术应用于众所周知的VGG 16和ResNet 50架构。使用微调的ResNet50（F1 93.29%）对CNN图像分类进行的评估表明，这种方法实现了与使用显式定义的基于HTML代码的特征的先前解决方案相当的结果。通过结合视觉和显式特征，随机森林分类可以实现93.70%的F测量，这击败了当前最先进的方法。
2021-02-25 cs.CV
Revisiting Table Detection Datasets for Visually Rich Documents
University of Ottawa（渥太华大学）；Lytica（Lytica公司）
针对现有表格检测公开数据集噪声多、样本少、数据源有限导致评估不可靠的问题，本研究清理合并公开数据集构建Open-Tables，新增ICT领域的ICT-TD数据集，验证了其高可靠性与跨域适用性。
2023-11-08 cs.CV cs.IR
TabRAG: Improving Tabular Document Question Answering for Retrieval Augmented Generation via Structured Representations
Imperial College London（帝国理工学院）
TabRAG通过结构化表示改进表格文档问答，采用布局分割和视觉语言模型解析，提升表格问答性能。
2026-01-31 cs.AI cs.CL cs.CV
TFLOP: Table Structure Recognition Framework with Layout Pointer Mechanism
Upstage AI
本文提出TFLOP表格结构识别框架，通过布局指针机制将文本区域预测与匹配直接转化为指向问题，并采用跨度感知对比监督，在多个基准上达到最先进性能。
2025-01-21 cs.CV
Optimized Table Tokenization for Table Structure Recognition
IBM Research（IBM研究院）
针对表格结构识别中Im2Seq模型的标记表示影响性能的问题，提出优化表格结构语言OTSL，减少标记数与序列长度，提升精度、减半推理时间且消除多数后处理需求。
2023-05-05 cs.CV
PubTables-v2: A new large-scale dataset for full-page and multi-page table extraction
Kensho Technologies（Kensho技术公司）
针对全页和多页表格提取任务缺乏标注数据的问题，本文创建了大规模数据集PubTables-v2，并评估了当前前沿模型与小模型在不同上下文级别任务上的性能差异。
2026-11-05 cs.CV
POTATR: A Lightweight Image-to-Graph Model for Page-Level Table Extraction
Kensho Technologies
提出轻量级图像到图模型POTATR（29M参数），在页面级表格提取任务上以130倍速度和300倍低成本超越前沿模型，GriTS_Con达0.964，输出空间可解释。
2026-11-05 cs.CV
RAPTOR: Refined Approach for Product Table Object Recognition
Yooz；La Rochelle Université（拉罗谢尔大学）
RAPTOR是一个模块化后处理系统，通过遗传算法优化参数，增强DETR和TATR模型，解决产品表格检测与结构识别中的常见错误，在私有和公共数据集上提升精度与结构预测性能。
2025-02-24 cs.AI cs.CV cs.IR
Visual-TableQA: Open-Domain Benchmark for Reasoning over Table Images
École de Technologie Supérieure（埃克塞技术学院）
本文提出Visual-TableQA，一个大规模开放领域多模态数据集，用于评估和提升视觉推理能力，包含2500个LaTeX渲染表格和6000对推理密集型问答对，通过多模型协作生成，验证了模型在外部基准上的鲁棒性。
2026-04-21 cs.CL cs.CV
Towards End-to-End Semi-Supervised Table Detection with Semantic Aligned Matching Transformer
Technical University of Kaiserslautern（凯泽斯劳滕工业大学）；Mindgarage, Technical University of Kaiserslautern（凯泽斯劳滕工业大学Mindgarage）；German Research Institute for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））
本文提出一种基于SAM-DETR的半监督表格检测方法，通过对象查询与目标特征的精确对齐，在无需NMS的情况下显著减少误检并提升复杂文档中的表格检测性能。
2024-04-30 cs.CV
