面向文档表格生成的潜在扩散引导方法

由于真实世界文档布局固有的多样性和复杂性，获取复杂表格的标注表格结构数据是一项具有挑战性的任务。缺乏具有复杂表格结构全面标注的公开数据集，阻碍了为此类场景设计和评估模型的发展与评估。本文提出了一种新颖的方法，通过利用潜在扩散模型对行和列的条件掩码图像进行处理，生成表格结构的标注图像。所提出的方法旨在提升用于训练目标检测模型的合成数据质量。具体而言，该研究采用了一种条件机制来引导复杂文档表格图像的生成，确保表格布局的真实表示。为评估生成数据的有效性，我们采用流行的YOLOv5目标检测模型进行训练。生成的表格图像作为有价值的训练样本，丰富了数据集中的表格结构多样性。随后，该模型在具有挑战性的pubtables-1m测试集上进行了测试，该测试集是复杂文档布局中表格结构识别的基准。实验结果表明，所引入的方法显著提升了训练用合成数据的质量，从而增强了YOLOv5模型的性能。在pubtables-1m测试集上获得的平均精度均值(mAP)展示了与最先进方法相接近的结果。此外，在合成数据上获得的低FID结果进一步验证了所提出方法在生成表格结构标注图像方面的有效性。