MMSep, 2023

GridFormer：通过格网预测实现准确的表结构识别

PDF
TL;DR基于表格可以表示为网格的观察，我们提出了 GridFormer，一种通过预测网格的顶点和边来解释不受约束的表格结构的新方法。我们引入了一种 DETR 风格的表格结构识别器，通过一次预测获得网格的多目标信息。对包括有线、无线、多合并单元、定向和扭曲表格在内的五个具有挑战性的基准进行的大量实验证明了我们模型相对于其他方法的竞争性能。
发现论文，激发创造
  • TGRNet: 用于表格结构识别的表格图重建网络

    本文在于研究表格结构识别问题，提出了一种端到端可训练的表格图重建神经网络 TGRNet，该方法成功地解决了表格的结构识别问题。

    Jun, 2021

  • GridFormer：点网格变换器用于表面重建

    通过在正规网格特征和离散点特征之间引入高效的点 - 网格变换机制，以及采用边界优化策略，本文提出的方法有效地提升了三维表面重建的精度和准确性。

    Jan, 2024

  • TableFormer：表格文本编码的鲁棒 Transformer 建模

    提出了一种结构完整和鲁棒性强的表格文本编码架构 TableFormer，通过可学习的注意力偏置完全融合了表格结构偏差，进一步强化了对表格的理解能力，在 SQA、WTQ 和 TabFact 等表理解数据集方面优于强基线，尤其在面对具有答案不变的行列顺序扰动时，相对于最佳基线的提升达到 6％。

    Mar, 2022

  • TableFormer: 基于 Transformer 的表格结构理解

    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

  • 使用双向门控循环单元网络进行表格结构提取

    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

  • TSRFormer：基于 Transformer 的表格结构识别

    提出了一种名为 TSRFormer 的新的表格结构识别方法，使用线性回归问题而不是图像分割问题来预测表格的分隔线，并提出了新的两阶段 DETR 分隔线预测方法来直接从表图像中预测分隔线。使用新的技术后，我们的 TSRFormer 在几个基准数据集上都获得了最先进的表现。

    Aug, 2022

  • T2G-Former: 将表格特征组织成关系图可促进异构特征交互

    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

  • TRUST: 使用基于分割的 Transformer 的准确的端到端表格结构识别器

    本文提出了一种基于 Transformer 网络的 table structure recognition 方法 TRUST，并引入了基于查询的切割模块和基于顶点的合并模块，将 table structure recognition 问题分解为两个联合优化子任务：多向表格行 / 列分割和表格网格合并。在 PubTabNet 和 SynthTable 基准测试中，TRUST 表现为全新的最先进结果，尤其是在 PubTabNet 上达到每秒 10 帧的速度，大大超越了以前的方法。

    Aug, 2022

  • 使用图神经网络重新思考表格识别

    本文提出一种基于图网络架构的表格识别方法，在视觉特征提取方面融合了卷积神经网络的优势；实验证明该方法优于基准线方法。此外，为了解决大规模数据集问题，文中提出了一种合成数据集，并开源了数据集生成及图网络训练框架，以推进研究的可复制性。

    May, 2019

  • 使用多粒度图表示学习检索复杂表格

    提出了一种基于图的表格检索框架，该框架可以通过学习多颗粒度图表表示来处理复杂的布局，包括表头嵌套，进而实现自然语言表检索问题的泛化。

    May, 2021