基于布局指针机制的表格结构识别框架 TFLOP

表格结构识别 (TSR) 的目标是将表格图像转换为机器可读格式 (如 HTML)，以促进信息检索等其他应用。最近的研究通过识别 HTML 标签和文本区域来解决此问题，其中后者用于从表格文档中提取文本。然而，这些方法在将文本映射到识别的文本区域时会出现错位问题。本文引入了新的 TSR 框架，称为 TFLOP (TSR Framework with LayOut Pointer mechanism)，将传统的文本区域预测和匹配问题重新表述为直接指向文本区域的问题。具体而言，TFLOP 利用文本区域信息同时识别表格的结构标签及其对齐文本区域。无需区域预测和对齐，TFLOP 规避了需要精细后处理的文本区域匹配阶段。TFLOP 还采用基于跨度的对比监督，以增强复杂表格中指向机制的性能。结果表明，TFLOP 在多个基准测试（包括 PubTabNet、FinTabNet 和 SynthTabNet）上实现了最先进的性能。在大量实验中，TFLOP 不仅在性能上与竞争者不相上下，还在诸如含水印文件或非英语领域等工业文档 TSR 场景中显示出有前景的成绩。