Lightweight and Production-Ready PDF Visual Element Parsing
Oracle AI
本文提出一种轻量级PDF解析框架，通过空间启发式、布局分析和语义相似性结合，实现高准确率的视觉元素检测与标题关联，提升多模态RAG检索性能。
2026-04-25 cs.AI cs.CL cs.CV
From Papers to Property Tables: A Priority-Based LLM Workflow for Materials Data Extraction
Department of Applied Mathematics and Statistics, Johns Hopkins University（约翰霍普金斯大学应用数学与统计系）；Department of Mechanical Engineering, Johns Hopkins University（约翰霍普金斯大学机械工程系）
本文提出一种基于优先级的LLM工作流，用于从科研论文中自动提取和重建结构化材料实验数据，通过整合文本、表格、图表和物理推导信息，以合金劈裂强度为案例，实现了高精度的数据提取与验证。
2026-04-08 cs.AI
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
PdfTable: A Unified Toolkit for Deep Learning-Based Table Extraction
Automated institute, Wuhan University of Technology（武汉理工大学自动化学院）；School of Software, University of Science and Technology of China（中国科学技术大学软件学院）
本文提出 PdfTable 统一工具包，集成表格识别、OCR 与版面分析模型，以适配数字/图像 PDF、有线/无线表格等多场景，并在自建和 PubTabNet 数据集上验证有效。
2024-09-08 cs.CV
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
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
Enhanced Techniques for PDF Image Segmentation and Text Extraction
Dr.SNS Rajalakshmi college of Arts and Science（SNS Rajalakshmi 艺术与科学学院）；Karpagam University（卡尔帕加姆大学）
从PDF图像中提取文本对象是一个具有挑战性的问题。PDF图像中的文本数据包含某些有用的信息，用于自动注释，索引等，但由于文本样式，字体，大小，方向，对齐以及复杂结构的差异而导致的文本变化使得自动文本提取问题非常困难和具有挑战性的工作。本文提出了两种基于块的分类技术。在简要介绍了分类方法的基础上，对两种方法进行了改进，并对结果进行了评价。分割和时间消耗的性能指标进行了测试，这两个模型。
2012-10-01 cs.CV
TableParser: Automatic Table Parsing with Weak Supervision from Spreadsheets
ETH Zurich（苏黎世联邦理工学院）
表是一种一直存在的存储数据的结构。现在存在不同的方法来物理地存储表格数据。PDF、图像、电子表格和CSV就是主要的例子。能够解析表结构并提取由这些结构限定的内容在许多应用中是非常重要的。在本文中，我们设计了TableParser，一个系统能够解析表在本机PDF和扫描图像具有高精度。我们已经进行了大量的实验，以显示领域自适应在开发这样一个工具的有效性。此外，我们创建了TableAnnotator和ExcelAnnotator，它们构成了一个基于电子表格的弱监督机制和一个管道，使表解析。我们与研究界分享这些资源，以促进在这个有趣的方向进一步研究。
2022-01-05 cs.CV
Design and Implementation of an OCR-Powered Pipeline for Table Extraction from Invoices
本文设计并实现了一种基于Tesseract OCR的流水线，通过动态预处理、表格边界检测和行列映射，从扫描发票中高效提取结构化表格数据，显著提升准确性与一致性，适用于自动化财务和数字归档。
2025-07-09 cs.AI 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
LATTE: Improving Latex Recognition for Tables and Formulae with Iterative Refinement
Purdue University（普渡大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对PDF图像中LaTeX公式和表格难以提取修改的问题，提出迭代优化框架LATTE，通过delta-view反馈迭代优化LaTeX源代码生成，显著提升复杂公式和表格的识别精度，优于现有技术及GPT-4V。
2025-02-13 cs.CV
TableZa -- A classical Computer Vision approach to Tabular Extraction
Synechron Innovation Lab（Synechron创新实验室）
计算机辅助表格数据提取一直是一个非常具有挑战性和容易出错的任务，因为它要求数据的光谱和空间健全性。在本文中，我们讨论了一种方法，表格数据提取领域的文件理解。鉴于不同种类的表格格式，经常发现在各种文件，我们讨论了一种新的方法，使用计算机视觉提取表格数据从图像或矢量PDF（S）转换为图像（S）。
2021-05-19 cs.CL cs.CV cs.IR
Active Learning for Cascaded Object Detection: Balancing Coverage and Uncertainty in Table Extraction Pipelines
L3i, La Rochelle Université（拉罗谢尔大学L3i实验室）；Yooz（Yooz公司）
针对级联表格提取流水线中TSR标注成本高的问题，提出基于不确定性牧群（UHerding）的主动学习方法，通过RankFusion和CAPA两种流水线感知扩展，在多个数据集上优于基线方法。
2026-07-02 cs.AI cs.CV
GDP.pdf: Benchmarking Grounded Multimodal Reasoning over Professional PDF Documents
Surge AI
该研究针对专业PDF文档构建多模态推理基准测试GDP.pdf，由专业人员编写问题-文档对，通过严格筛选保留问题，有详细评分标准和能力分类。评估七个前沿模型，发现多数错误源于特定模式，公开了完整基准测试。
2026-07-16 cs.CV
Flexible Table Recognition and Semantic Interpretation System
Fraunhofer IAIS（弗劳恩霍夫智能分析和信息系统研究所）；University of Bonn（波恩大学）；University of Cologne（科隆大学）
表抽取是一个重要但尚未解决的问题。在本文中，我们介绍了一个灵活的和模块化的表提取系统。我们开发了两个基于规则的算法，执行完整的表识别过程，包括表检测和分割，并支持最常见的表格格式。此外，结合语义信息的提取，我们开发了一个基于图的表解释方法。我们对具有挑战性的表格识别基准ICDAR 2013和ICDAR 2019进行了广泛的实验，取得了与最先进方法相竞争的结果。我们完整的信息抽取系统表现出很高的F1得分为0.7380。为了支持未来的研究信息抽取从文件中，我们使资源（地面实况注释，评估脚本，算法参数）从我们的表解释实验公开。
2021-12-02 cs.CV
Benchmarking Vision-Language Models for French PDF-to-Markdown Conversion
Probayes, La Poste（Probayes公司）；OpenValue, La Poste（OpenValue公司）
本研究针对法语PDF到Markdown转换，评估了视觉语言模型在处理复杂文档中的表现，发现专有模型在手写和表单处理上更具鲁棒性，而开源系统在标准打印布局上表现良好。
2026-02-12 cs.CL cs.CV cs.LG
Financial Table Extraction in Image Documents
S&P Global（标普全球）；NVIDIA（英伟达）
针对金融图像文档中表格内容受像素格式限制、难以提取的问题，本文提出融合图像分割、OCR与序列建模的端到端流程，以高保真保留空间关系。
2024-03-18 cs.CV
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
From PDF to Evidence: Structure-Aware Retrieval for Clinical Practice Guidelines
East China Normal University（华东师范大学）
针对临床实践指南PDF中证据锁定于视觉结构的问题，提出结构感知检索方法，将页面解析为类型化元素并按布局检索，在26份指南上显著提升元素级排序并保持页面级召回。
2026-09-29 cs.CV cs.IR
VILA: Improving Structured Content Extraction from Scientific PDFs Using Visual Layout Groups
University of Washington（华盛顿大学）；Northwestern University（西北大学）；Allen Institute for AI（艾伦人工智能研究所）
从PDF中准确提取结构化内容是NLP在科学论文中的关键第一步。最近的工作已经通过结合基本布局信息（例如，每个标记在页面上的2D位置，进入语言模型预训练。我们引入了新的方法，显式建模可视化布局（VILA）组，即，文本行或文本块，以进一步提高性能。在我们的I-VILA方法中，我们表明，简单地将表示布局组边界的特殊标记插入模型输入中可以导致标记分类的1.9%宏F1改进。在H-VILA的方法，我们表明，分层编码的布局组可以导致高达47%的推理时间减少小于0.8%的宏F1损失。与之前的布局感知方法不同，我们的方法不需要昂贵的额外预训练，只需要微调，我们表明这可以将训练成本降低高达95%。实验是在一个新策划的评估套件S2-VLUE上进行的，该套件统一了现有的自动标记数据集，并包括一个新的手动注释数据集，涵盖了来自19个科学学科的不同论文。预训练的权重、基准数据集和源代码可在https://github.com/allenai/VILA上获得。
2022-01-05 cs.CL cs.CV
PubTables-1M: Towards comprehensive table extraction from unstructured documents
Microsoft（微软）
近年来，将机器学习应用于非结构化文档的表结构推理和抽取问题取得了重大进展。然而，最大的挑战之一仍然是创建具有完整，明确的大规模地面真相的数据集。为了解决这个问题，我们开发了一个新的，更全面的数据集表提取，称为PubTables-1 M。PubTables-1 M包含来自科学文章的近一百万个表格，支持多种输入方式，并包含表格结构的详细标题和位置信息，使其适用于各种建模方法。它还解决了一个重要的来源，地面真理不一致的观察到在以前的数据集称为过度分割，使用一种新的规范化程序。我们证明，这些改进导致训练性能的显着增加，并在评估表结构识别模型性能的更可靠的估计。此外，我们表明，基于转换器的目标检测模型PubTables-1 M上训练产生的检测，结构识别和功能分析的所有三个任务，而不需要任何特殊的定制这些任务的优秀结果。数据和代码将在https://github.com/microsoft/table-transformer上发布。
2021-11-18 cs.CV cs.LG
GFTE: Graph-based Financial Table Extraction
School of Electronic Information and Electrical Engineering Shanghai Jiao Tong University（上海交通大学电子信息与电气工程学院）；China Financial Fraud Research Center（中国金融欺诈研究中心）
表格数据是一种重要的信息表达形式，它可以将数据组织成标准的结构，便于信息检索和比较。然而，在金融行业和许多其他领域的表格往往是非结构化的数字文件，如便携式文档格式（PDF）和图像，这是很难直接提取。为了便于基于深度学习的非结构化数字文件中的表格提取，我们发布了一个名为FinTab的标准中文数据集，其中包含1,600多个不同类型的金融表格及其相应的JSON结构表示。此外，我们提出了一种新的基于图的卷积神经网络模型命名为GFTE作为未来比较的基线。GFTE将图像特征、位置特征和文本特征结合起来进行精确的边缘预测，取得了较好的效果。
2020-03-17 cs.CV
A framework for information extraction from tables in biomedical literature
University of Manchester（曼彻斯特大学）；AstraZeneca plc（阿斯利康公司）
科学文献呈指数级增长，专业人员无法应付当前的出版物数量。文本挖掘在过去提供了从文本中检索和提取信息的方法，然而，这些方法大多忽略了表格和图形。在挖掘表数据方面所做的研究仍然没有一个综合的挖掘方法，可以考虑表的所有复杂性和挑战。我们的研究正在检查从临床文献中的表格中提取数字（患者数量、年龄、性别分布）和文本（不良反应）信息的方法。本文提出了一个需求分析模板和一个完整的临床领域表格信息抽取方法，包括7个步骤：（1）表格检测，（2）功能处理，（3）结构处理，（4）语义标注，（5）语用处理，（6）单元选择和（7）句法处理和抽取。根据变量、任务及其复杂性的不同，我们的方法的F度量值在82%到92%之间。
2019-02-26 cs.CL cs.CV cs.LG
Document Retrieval-Aware Chunking (D-RAC): Universal Retrieval-Aware Ingestion of Enterprise Documents via PDF Normalization and Multimodal Markdown Conversion
AI Research Team（AI研究团队）
D-RAC通过PDF归一化和多模态Markdown转换实现企业文档的通用检索感知摄入，在RAG基准上以零错误、低成本高效生成检索就绪块，显著优于代理式分块。
2026-09-22 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
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
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
Table Structure Extraction with Bi-directional Gated Recurrent Unit Networks
National University of Sciences and Technology (NUST)（国家科技大学）；National Center of Artificial Intelligence (NCAI)（国家人工智能中心）
表格向读者呈现概括的和结构化的信息，这使得表格结构提取成为文档理解应用的重要部分。然而，表结构识别是一个困难的问题，这不仅是因为表布局和样式的变化很大，而且还由于页面布局和噪声污染水平的变化。人们已经做了大量的研究来识别表格结构，其中大部分是基于在光学字符识别（OCR）的辅助下应用光学方法来手工拾取表格的布局特征。由于表格布局的变化和OCR产生的错误，这些方法不能很好地推广。在本文中，我们提出了一种鲁棒的基于深度学习的方法，可以从文档图像中检测到的表中高精度地提取行和列。在所提出的解决方案中，表格图像首先被预处理，然后被馈送到具有门控递归单元（GRU）的双向递归神经网络，然后是具有软最大激活的全连接层。网络从上到下以及从左到右扫描图像，并将每个输入分类为行分隔符或列分隔符。我们已经在公开的UNLV和ICDAR 2013数据集上对我们的系统进行了基准测试，在这些数据集上，我们的系统明显优于最先进的表结构提取系统。
2020-01-08 cs.CV cs.IT math.IT
Multimodal Tree Decoder for Table of Contents Extraction in Document Images
University of Science and Technology of China（中国科学技术大学）；iFLYTEK Research（讯飞研究院）
目录抽取的目的是抽取文档中不同层次的标题，以更好地理解内容的概要，可广泛应用于文档理解和信息检索。现有的作品往往使用手工制作的功能和预定义的基于规则的功能来检测标题和解决标题之间的层次关系。基于深度学习的基准测试和研究仍然有限。因此，在本文中，我们首先介绍了一个标准的数据集，HierDoc，包括从650个文件的科学论文的内容标签的图像样本。然后，我们提出了一种新的端到端模型，使用多模态树解码器（MTD）的ToC作为基准HierDoc。MTD模型主要由编码器、分类器和解码器三部分组成。编码器融合了文档中每个实体的视觉、文本和布局信息的多模态特征。然后分类器识别并选择标题实体。其次，为了解析标题实体之间的层次关系，设计了一个树形结构的解码器。为了评估性能，采用了树编辑距离相似度（TEDS）和F1-Measure。最后，我们的MTD方法在HierDoc的测试集上实现了87.2%的平均TEDS和88.1%的平均F1-Measure。代码和数据集将在https://github.com/Pengfei-Hu/MTD上发布。
2022-12-06 cs.AI cs.CV
Post-Processing Mask-Based Table Segmentation for Structural Coordinate Extraction
University of Moratuwa, Sri Lanka（斯里兰卡穆拉图瓦大学）
本文提出了一种基于多尺度信号处理的表格边缘检测方法，通过高斯卷积和统计阈值处理提升表格分割精度，实验表明在PubLayNet-1M基准测试中Cell-Aware Segmentation Accuracy提升至76%。
2025-12-24 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
Large-scale data extraction from the UNOS organ donor documents
University of Arizona（亚利桑那大学）
本文提出一种从UNOS器官捐献者PDF文档中大规模提取数据的方法，将异构的OPTN数据转换为可分析的标准SQL数据库，并利用2022年约40万份PDF文档验证了其可扩展至历史与未来数据的能力。
2024-01-05 cs.CV eess.IV
Justlookup: One Millisecond Deep Feature Extraction for Point Clouds By Lookup Tables
Sun Yat-sen University（中山大学）；Pixtalks Tech（Pixtalks科技）
深度模型能够拟合复杂的高维函数，但通常会产生很大的计算负载。由于高维输入和有限的内存容量，无法通过传统的查找表来加速推理过程。最近，一种新的点云架构（PointNet）已经证明，它是可能的，以获得一个复杂的深度功能从一组3变量的功能。在本文中，我们利用这个属性，并应用查找表来编码这些3变量函数。该方法保证了无论深度函数有多复杂，推理时间都只由内存访问决定。我们在ModelNet和ShapeNet数据集上进行了大量的实验，并证明我们可以在Intel i7-8700 CPU（单核模式）上在1.5 ms内完成推理过程，在PointNet架构上加速32倍，而不会降低性能。
2019-08-14 cs.CV cs.GT cs.LG
PrismAlign: Prior-Steered Multi-View VLM Alignment for Hallucination-Robust Table OCR
Huawei Technologies, Co., Ltd（华为技术有限公司）
提出PrismAlign多VLM框架，利用表格逻辑先验和贝叶斯决策策略对齐多视角，减少表格OCR中的幻觉，在多个基准上达到最先进性能。
2026-09-21 cs.CV
Extraction of Text from Optic Nerve Optical Coherence Tomography Reports
Stanford University（斯坦福大学）；Byers Eye Institute（拜尔斯眼科研究所）
本研究开发并优化基于规则的算法，结合PaddleOCR从Zeiss Cirrus OCT的PDF报告中提取RNFL和GCC数据，实验验证其高精度，可大幅提升大规模OCT结果提取效率。
2023-08-21 cs.CV eess.IV
OmniParser: A Unified Framework for Text Spotting, Key Information Extraction and Table Recognition
Alibaba Group（阿里巴巴集团）；Huazhong University of Science and Technology（华中科技大学）
本文提出统一框架OmniParser，以共享的编码器-解码器架构和点条件文本生成目标同时处理文本定位、关键信息提取与表格识别，在7个数据集上取得SOTA或极具竞争力的结果。
2024-03-28 cs.CV
BabelDOC: Better Layout-Preserving PDF Translation via Intermediate Representation
School of Computer Engineering and Science, Shanghai University, Shanghai, China（1 上海大学计算机工程与科学学院，上海，中国）；Funstory.ai Limited, Hong Kong SAR, China（2 Funstory.ai有限公司，香港特别行政区，中国）；Department of Computer Science and Engineering, Shanghai Jiao Tong University, Shanghai, China（3 上海交通大学计算机科学与工程系，上海，中国）
BabelDOC通过中间表示框架实现布局保持的PDF翻译，解决语言处理与布局保持的矛盾，提升翻译精度和文档一致性。
2026-05-11 cs.CL cs.CV
ScanBank: A Benchmark Dataset for Figure Extraction from Scanned Electronic Theses and Dissertations
Virginia Polytechnic Institute and State University（弗吉尼亚理工学院暨州立大学）；Old Dominion University（奥多明尼昂大学）
我们专注于电子论文和学位论文（ETD），旨在改善访问和扩大其效用，因为超过600万是公开的，它们构成了一个重要的语料库，以帮助跨学科的研究和教育。随着新的电子数字文件的加入，以及数百万份旧的论文和学位论文已转换为数字形式，以便在机构资料库中以电子方式传播，该语料库正在不断扩大。在ETD中，与其他学术著作一样，数字和表格可以以简洁的方式传达大量信息。虽然已经提出了从数字PDF中提取图形和表格的方法，但它们不能很好地与扫描的ETD一起工作。考虑到这个问题，我们对最先进的数字提取系统的评估是，它们在扫描的PDF上不能很好地工作的原因是它们只在数字文档上进行过训练。为了解决这一限制，我们提出了ScanBank，一个新的数据集，包含1万个扫描的页面图像，由人类手动标记其中存在的3300个数字或表格。我们使用这个数据集来训练一个基于YOLOv5的深度神经网络模型，以准确地从扫描的ETD中提取图形和表格。我们提出并回答了重要的研究问题，旨在找到更好的方法，从扫描文件中提取数字。其中之一涉及应用于原生数字文档的数据增强技术的训练价值，这些技术用于训练更适合从扫描文档中提取图形的模型。据我们所知，ScanBank是第一个用于扫描ETD的图形和表格提取的手动注释数据集。一个基于YOLOv5的模型，在ScanBank上训练，比现有的可比开源和免费提供的基线方法有相当大的优势。
2021-06-23 cs.CV cs.DL cs.LG
Layout-Aware Text Editing for Efficient Transformation of Academic PDFs to Markdown
Technische Universität Darmstadt（德累斯顿技术大学）
本文提出EditTrans，一种混合编辑生成模型，用于高效转换学术PDF到Markdown，通过预识别待编辑文本队列，减少转换延迟达44.5%。
2025-12-19 cs.CL cs.CV cs.DL
