通过自我监督预训练方法，本研究解决了线性投影变换器在表格结构识别模型中替代混合 CNN-transformer 后性能下降的问题，进一步推进了表格作为一种有前景的表示学习方式。

Feb, 2024

将无结构的表格图像转换为 HTML 序列的表结构识别（TSR）任务经常遇到这样的挑战，并发现现有的基于检测的解决方案存在一些限制，因此比较了两阶段和基于 Transformer 的检测模型，明确了成功的两阶段检测模型的关键设计方面，包括多类问题定义、锚框生成的纵横比和骨干网络的特征生成。通过改进 Cascade R-CNN 模型的这些方面，并应用简单的方法，实现了在 SciTSR、FinTabNet 和 PubTables1M 数据集上针对结构 TEDS 的最新性能提升，分别达到 19.32%、11.56% 和 14.77%。

Dec, 2023

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

本文提出了一种适用于表格推理任务的统一的无监督框架（UCTR），该框架通过生成复杂逻辑的充足和多样化的合成数据，使得模型能够在无人标注数据的情况下获得良好的推理性能。该方法在实验中表现出了与监督模型最多 93% 的性能，并在低资源领域作为数据增强技术大幅提高了监督性能。

Dec, 2022

本文提出了 TURL 框架，该框架利用预训练 / 微调方法，在无监督的情况下学习关系表的深度上下文化表示，并应用于各种任务中。通过结构感知的 Transformer 编码器建模关系表的行列结构，并引入了一种新的 Masked Entity Recovery 目标进行预训练。在 6 个不同的关系表理解任务中，TURL 广泛适用且相对于现有方法具有更好的表现。

Jun, 2020

本文提出 TUTA，一种有助于理解结构化表格的统一预训练架构，通过强化 transformers 模型的三种新型结构感知机制，采用一个二维坐标树结构来描述表格的空间和层次信息，并采用基于树的注意力和位置嵌入来更好地捕捉表格的空间和层次信息，并通过三个渐进式的预训练目标进行预训练，将 TUTA 应用于电子表格和网络表格预训练，得到了最新的表格类型分类和单元格类型分类成效。

Oct, 2020

本文综述了表格预训练的不同模型设计、预训练目标和下游任务，分享了现有挑战和未来机遇的思考和愿景。

Jan, 2022

在表结构识别中，我们设计了一个轻量级的视觉编码器，通过使用卷积网络作为起始模块以达到高性能的目的，并提供了可重现性的剔除研究和开源代码以促进在我们的领域中的透明度、激发创新和促进公平比较。

Nov, 2023

本研究旨在将预训练模型的能力扩展到传统上被忽视但本质上具有挑战性的表格数据领域，并介绍了一种名为 UniTabE 的先进方法，能够以一致的方式处理表格数据，通过预训练和微调来提高语义表达效果。

Jul, 2023

我们提出了一种端到端的流程，通过集成深度学习模型实现图像中的表格自动识别，解决了表格检测、表格结构识别和表格内容识别的问题，提高了准确性和效率。

Apr, 2024