本文介绍了全局表格提取器（GTE），它是一种由视觉引导的系统框架，旨在通过基于自然单元格包含约束的新型罚函数来训练表格网络，以检测表格和单元格结构，结合表格风格，设计一种新的分层单元格检测网络，并定期标记表格和单元格结构以便成为训练数据。实验证明，GTE 在表格检测和单元格结构识别方面超过之前的最先进结果，并且在新的跨域 FinTabNet 数据集上的实验表明，在单元格结构识别方面比 vanilla RetinaNet 的物体检测模型提高了 45% 以上。

May, 2020

本文提出了一个端到端的流水线，用于在图像文档中识别、提取和转录表格内容，同时保留高保真度的原始空间关系。

Mar, 2024

本研究提出了一个基于编码器 - 解码器结构的深度学习模型，用于将表格图像转换为 HTML 代码，并使用一种新的基于 Tree-Edit-Distance 相似度（TEDS）度量方法实现表格识别，实验结果表明所提出的模型在复杂表格识别方面具有优秀的表现。

Nov, 2019

该论文提出了一种 Contextualized Table Extraction (CTE) 的任务，目的是根据文档的文本信息来提取和定义表格结构，提供了一个包含超过 35,000 个表格的科学论文的数据集，并且可以用于开发各种任务的端到端流程，包括文档布局分析、表格检测、结构识别和功能分析，并且定义了评估指标，描述了此数据集的优点、限制和未来工作。

Feb, 2023

本文提出了一种自动估计表格数据特征间关系的图估算器，根据所建立的关系图组织各独立特征并实现节点间的有序交互，进而进行表格学习。结合该方法，我们提出了一种基于 Transformer 网络的 T2G-Former，能够在不同层次上收集 T2G-Former 中的显著特征并加以综合，实现对表格数据进行有效处理和预测，进而取得了优异的表现。

Nov, 2022

本文提出了一种基于深度学习的方法，它首先对表格图像进行预处理，然后将其输入到具有门控循环单元（GRU）的双向循环神经网络中，最终将结果分类为行分隔符或列分隔符。该方法在表格结构提取方面取得了显著的性能提升。

Jan, 2020

本文介绍了 TableNet—— 一种新颖的端到端深度学习模型，用于识别文档图像中的表格，并提出了一种语义规则的行提取方法，结果表明该模型在两个公开数据集（ICDAR 2013 和 Marmot Table）上都达到了最佳性能，并能通过给模型添加额外的语义特征进行性能提升，同时表明该模型对数据集的迁移学习效果良好。

Jan, 2020

本文提出了一种利用图结构学习和图神经网络预测表格数据的新方法，通过提出的图对比学习模块、基于 Transformer 的特征提取器和图神经网络来同时学习实例相关性和特征交互，在 30 个基准表格数据集上的全面实验表明，TabGSL 明显优于树结构模型和最近的基于深度学习的表格模型。

May, 2023

本文提出了一种新的表格结构识别模型，通过引入新的对象检测解码器和基于 transformer 的解码器，能够更准确地提取表格内容并处理各种形式的表格。

Mar, 2022

通过从 GitHub 中提取的 GitTables 数据集，我们可以训练和评估应用于深度学习的高容量模型，以实现表征模型与关系数据库表相似的表。通过进行语义类型标注、层次关系和来自 Schema.org 和 DBpedia 的描述，我们可以提供人工注释一致的结果，并通过三个应用：语义类型检测模型、模式完成方法以及用于表到知识图谱匹配的基准测试，展示 GitTables 的价值。

Jun, 2021