Fugu-MT 論文翻訳(概要): Design and Implementation of an OCR-Powered Pipeline for Table Extraction from Invoices

論文の概要: Design and Implementation of an OCR-Powered Pipeline for Table Extraction from Invoices

arxiv url: http://arxiv.org/abs/2507.07029v1
Date: Wed, 09 Jul 2025 16:59:00 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-10 17:37:43.687774
Title: Design and Implementation of an OCR-Powered Pipeline for Table Extraction from Invoices
Title（参考訳）: 請求書からの表抽出のためのOCR駆動パイプラインの設計と実装
Authors: Parshva Dhilankumar Patel,
Abstract要約: 本稿では,請求書からの効率的なテーブル抽出のためのOCRパイプラインの設計と開発について述べる。このシステムは、テキスト認識とカスタム後処理ロジックにTesseract OCRを利用している。我々のアプローチには、動的前処理、テーブル境界検出、およびノイズや非標準の請求書フォーマットに最適化された行列マッピングが含まれる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents the design and development of an OCR-powered pipeline for efficient table extraction from invoices. The system leverages Tesseract OCR for text recognition and custom post-processing logic to detect, align, and extract structured tabular data from scanned invoice documents. Our approach includes dynamic preprocessing, table boundary detection, and row-column mapping, optimized for noisy and non-standard invoice formats. The resulting pipeline significantly improves data extraction accuracy and consistency, supporting real-world use cases such as automated financial workflows and digital archiving.
Abstract（参考訳）: 本稿では,請求書からの効率的なテーブル抽出のためのOCRパイプラインの設計と開発について述べる。このシステムはTesseract OCRを利用して、テキスト認識と独自の後処理ロジックを使用して、スキャンされた請求書文書から構造化された表データを検出し、調整し、抽出する。我々のアプローチには、動的前処理、テーブル境界検出、およびノイズや非標準の請求書フォーマットに最適化された行列マッピングが含まれる。その結果、パイプラインはデータの抽出精度と一貫性を大幅に改善し、自動化された財務ワークフローやデジタルアーカイブといった現実世界のユースケースをサポートする。

関連論文リスト

Multimodal Tabular Reasoning with Privileged Structured Information [67.40011423365712]
ブリッジインfOrmation (sc Turbo) を用いたタブウラー推論(TabUlar Reasoning)について紹介する。 sc TurboはDeepSeek-R1をベースにした構造対応の推論トレースジェネレータの恩恵を受ける。 sc Turboは、複数のデータセットで最先端のパフォーマンス(+7.2%対以前のSOTA)を達成する。
論文参考訳（メタデータ） (2025-06-04T15:46:30Z)
Structuring the Unstructured: A Multi-Agent System for Extracting and Querying Financial KPIs and Guidance [54.25184684077833]
構造化されていない財務文書から定量的な洞察を抽出する,効率的でスケーラブルな手法を提案する。提案システムは,emphExtraction AgentとemphText-to-Agentの2つの特殊エージェントから構成される。
論文参考訳（メタデータ） (2025-05-25T15:45:46Z)
An Efficient Deep Learning-Based Approach to Automating Invoice Document Validation [0.0]
本稿では,文書レイアウト解析とオブジェクト検出技術を用いて,機械による請求書の検証を自動化することを提案する。本稿では,手動で注釈付き実世界の請求書と複数基準検証プロセスからなる新しいデータセットを提案する。
論文参考訳（メタデータ） (2025-03-15T21:33:00Z)
TabSniper: Towards Accurate Table Detection & Structure Recognition for Bank Statements [1.9461727843485295]
既存のテーブル構造認識アプローチは、長い複雑なテーブルに対するサブ最適結果を生成する。本稿では,バンクステートメントからの効率的なテーブル検出,分類,構造認識のための新しいアプローチであるTabSniperを提案する。
論文参考訳（メタデータ） (2024-12-17T11:47:59Z)
TC-OCR: TableCraft OCR for Efficient Detection & Recognition of Table Structure & Content [39.34067105360439]
本稿では,DeTR,CascadeTabNet,PP OCR v2といったディープラーニングモデルを統合し,総合的な画像ベースのテーブル認識を実現するエンドツーエンドパイプラインを提案する。本システムでは,同時テーブル検出(TD),テーブル構造認識(TSR),テーブル内容認識(TCR)を実現している。提案手法は0.96のIOUと78%のOCR精度を実現し,従来のテーブルトランスフォーマーに比べてOCR精度が約25%向上したことを示す。
論文参考訳（メタデータ） (2024-04-16T06:24:53Z)
TableLLM: Enabling Tabular Data Manipulation by LLMs in Real Office Usage Scenarios [51.66718740300016]
TableLLMは80億のパラメータを持つ堅牢な大規模言語モデル(LLM)である。 TableLLMはデータ操作タスクを巧みに扱うために構築されている。我々は、ユーザインタラクションのためのモデルチェックポイント、ソースコード、ベンチマーク、Webアプリケーションをリリースした。
論文参考訳（メタデータ） (2024-03-28T11:21:12Z)
Factcheck-Bench: Fine-Grained Evaluation Benchmark for Automatic Fact-checkers [121.53749383203792]
本稿では,大規模言語モデル (LLM) 生成応答の事実性に注釈を付けるための総合的なエンドツーエンドソリューションを提案する。オープンドメインの文書レベルの事実性ベンチマークを,クレーム,文,文書の3段階の粒度で構築する。予備実験によると、FacTool、FactScore、Perplexityは虚偽の主張を識別するのに苦労している。
論文参考訳（メタデータ） (2023-11-15T14:41:57Z)
Multi-Type-TD-TSR -- Extracting Tables from Document Images using a Multi-stage Pipeline for Table Detection and Table Structure Recognition: from OCR to Structured Table Representations [63.98463053292982]
テーブルの認識は、テーブル検出とテーブル構造認識という2つの主要なタスクから構成される。最近の研究は、テーブル構造認識のタスクにトランスファーラーニングを併用したディープラーニングアプローチへの明確な傾向を示している。本稿では,テーブル認識問題に対するエンドツーエンドのソリューションを提供するMulti-Type-TD-TSRというマルチステージパイプラインを提案する。
論文参考訳（メタデータ） (2021-05-23T21:17:18Z)
Deep Structured Feature Networks for Table Detection and Tabular Data Extraction from Scanned Financial Document Images [0.6299766708197884]
本研究では、財務PDF文書から自動テーブル検出と表データ抽出を提案する。我々は,より高速なR-CNN(Region-based Convolutional Neural Network)モデルを用いて,テーブル領域を検出する3つの主要なプロセスからなる手法を提案する。提案したデータセットから,検出モデルの卓越したテーブル検出性能を得た。
論文参考訳（メタデータ） (2021-02-20T08:21:17Z)
Abstractive Information Extraction from Scanned Invoices (AIESI) using End-to-end Sequential Approach [0.0]
私たちは、Payee名、総数、住所など、データに興味を持っています。抽出された情報は、データの完全な洞察を得るのに役立つ。高速なドキュメント検索、データベースの効率的なインデックス付け、データ分析などに役立つ。本稿では,Word wise BiLSTMを用いて,請求書からすべての視覚的特徴とテキスト的特徴をアンサンブルし,重要な請求書パラメータを抽出する手法を提案する。
論文参考訳（メタデータ） (2020-09-12T05:14:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。