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

在复杂的商务文件中，本文研究了表格检测与提取，提出一种利用单模型提取表格中信息的方法，并使用基于单词框、位置嵌入、可训练文本特征和图形的全面页面表示来解决这个问题。我们建立了一个新的数据集，提供了多种基线方法和新的神经网络模型来解决表格识别问题，并详细分析了图卷积和自注意力对模型性能的影响。

Mar, 2019

该研究提出了一种从医学文献中的表格中提取数值和文本信息的方法，包括表格检测、功能处理、结构处理、语义标记、语用处理、单元选择和句法处理等七个步骤，F - 度量值范围在 82% - 92% 之间.

Feb, 2019

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

本论文提出了一种名为 GraphTSR 的新型图神经网络，用于在 PDF 文件中识别表的结构，其通过预测单元之间的关系来识别表结构，并构建了一个大规模的表结构识别数据集 SciTSR，该模型对于复杂的表具有很高效性，并超过了基准数据集和新构建的数据集中的现有模型。

Aug, 2019

我们提供了一个生成符合用户偏好的流畅且逻辑一致的科学表格数据描述的新任务，并通过构建一个具有高亮单元格和相应专业知识库的数据集，为这个方向的研究提供了基准，并提出了一种优于竞争方法的新架构。结果显示，大型模型在生成与用户偏好一致的准确内容方面存在困难。作为首创，我们的工作有望推动科学领域的进一步研究。

Dec, 2023

本研究提出了一种新型的表格结构语言（OTSL），用以改善表格结构在图像到标记序列（Im2Seq）模型中的表示，并在此基础上提高了模型的准确性和运行性能。

May, 2023

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

本研究提出了一种识别具有复杂结构，密集内容和不同布局的表格的方法，其不依赖于元特征和 OCR，并结合单元检测和交互模块来本地化细胞并预测它们与其他检测到的单元的行和列关联，同时将结构约束作为细胞检测损失函数的附加差分组件，从而将自上而下和自下而上的线索结合在一起，实现对表格的视觉理解

Oct, 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