論文の概要: Enhancing Table Structure Recognition via Bounding Box Guidance

• arxiv url: http://arxiv.org/abs/2609.08705v1
• Date: Tue, 08 Sep 2026 13:04:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 15:55:33.346853
• Title: Enhancing Table Structure Recognition via Bounding Box Guidance
• Title（参考訳）: 境界ボックス誘導によるテーブル構造認識の強化
• Abstract要約: テーブル構造認識(TSR)は、セルの境界ボックスとテーブル構造(例えばHTML)をテーブル画像から抽出することを目的としている。 本稿では,BGTR(Bounding Box-Guided Table Recognizer)という新しいフレームワークを紹介する。 まず、セルのバウンディングボックスを予測し、その情報を使ってHTMLシーケンスの生成を誘導する。
• 参考スコア（独自算出の注目度）: 19.720345933233453
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Table Structure Recognition (TSR) aims to extract the bounding boxes of cells and table structure (e.g., HTML) from table images. Although current approaches have made significant progress, the latest image-to-sequence methods overlook the explicit utilization of the bounding box information when predicting HTML sequences, leading to error predictions in complex scenes. In this paper, we introduce a novel framework BGTR (Bounding Box-Guided Table Recognizer). To more effectively utilize bounding box information, we first predict the bounding boxes of cells and then use this information to guide the generation of HTML sequences. While utilizing bounding box information can enhance the accuracy of HTML sequences, for natural scene tables, the data volume is too small to allow for sufficient training of bbox-guided HTML generation. In response, we adopt a progressive training method for natural scene tables and introduce SNSTab, a synthetically generated natural scene table dataset. Our experiments on five benchmark datasets demonstrate SOTA performance.
• Abstract（参考訳）: テーブル構造認識(TSR)は,テーブル画像からセルの境界ボックスとテーブル構造(例えばHTML)を抽出することを目的としている。 現在のアプローチは大きな進歩を遂げているが、最新のイメージ・ツー・シーケンス法はHTMLシーケンスの予測における境界ボックス情報の明示的な利用を見逃し、複雑なシーンでのエラー予測に繋がる。 本稿では,BGTR(Bounding Box-Guided Table Recognizer)について紹介する。 境界ボックス情報をより効果的に活用するために,まずセルの境界ボックスを予測し,その情報を用いてHTMLシーケンスの生成を誘導する。 境界ボックス情報を利用することで、HTMLシーケンスの精度を向上させることができるが、自然のシーンテーブルでは、データボリュームが小さすぎて、bbox誘導HTML生成の十分なトレーニングができない。 そこで本研究では,自然シーンテーブルのプログレッシブトレーニング手法を採用し,合成された自然シーンテーブルデータセットであるSNSTabを導入する。 5つのベンチマークデータセットに対する実験により,SOTAの性能が示された。

関連論文リスト

• TDATR: Improving End-to-End Table Recognition via Table Detail-Aware Learning and Cell-Level Visual Alignment [70.83664203825235]
  TDATR(Table Detail-Aware Table Recognition)は、テーブルの詳細学習とセルレベルの視覚アライメントにより、エンドツーエンドのTRを改善する。 データセット固有の微調整なしで、7つのベンチマークで最先端または高い競争性能を達成する。
  論文  参考訳（メタデータ） (2026-03-24T05:45:02Z)
• UniTabNet: Bridging Vision and Language Models for Enhanced Table Structure Recognition [55.153629718464565]
  我々は、画像からテキストへのモデルに基づくテーブル構造解析のための新しいフレームワークUniTabNetを紹介する。 UniTabNetは、画像とテキストのモデルを使ってテーブルセルを分離し、物理デコーダと論理デコーダを統合して完全なテーブル構造を再構築する。
  論文  参考訳（メタデータ） (2024-09-20T01:26:32Z)
• Taming CLIP for Fine-grained and Structured Visual Understanding of Museum Exhibits [59.66134971408414]
  博物館展示の微細で構造化された理解にCLIPを適用することを目的としている。 私たちのデータセットは、パブリックドメインで最初のものです。 提案手法(MUZE)は,変換器を用いた解析ネットワーク(parseNet)を用いて,CLIPのイメージ埋め込みを表構造にマッピングする方法を学習する。
  論文  参考訳（メタデータ） (2024-09-03T08:13:06Z)
• PixT3: Pixel-based Table-To-Text Generation [66.96636025277536]
  本稿では,線形化と入力サイズ制限の課題を克服するマルチモーダルテーブル・トゥ・テキスト・モデルPixT3を提案する。 ToTToとLogic2Textベンチマークの実験では、PixT3はテキストのみで動作するジェネレータよりも競争力があり、優れていることが示されている。
  論文  参考訳（メタデータ） (2023-11-16T11:32:47Z)
• GridFormer: Towards Accurate Table Structure Recognition via Grid Prediction [35.15882175670814]
  制約のないテーブル構造を解釈する新しい手法であるGridFormerを提案する。 本稿では,MXNグリッドの形式でフレキシブルなテーブル表現を提案する。 そして,DTR型テーブル構造認識器を導入し,このグリッドの多目的情報を単一ショットで効率的に予測する。
  論文  参考訳（メタデータ） (2023-09-26T14:29:45Z)
• TRACE: Table Reconstruction Aligned to Corner and Edges [7.536220920052911]
  そこで我々は,テーブルがセルで構成され,各セルがエッジからなる境界で構成されているテーブルの自然特性を解析した。 ボトムアップ方式でテーブルを再構築する新しい手法を提案する。 シンプルな設計はモデルを訓練しやすくし、以前の2段階の手法よりも少ない計算を必要とする。
  論文  参考訳（メタデータ） (2023-05-01T02:26:15Z)
• Rethinking Image-based Table Recognition Using Weakly Supervised Methods [3.9993134366218857]
  本稿では,WSTabNet というテーブル認識のための弱教師付きモデルを提案する。 深層学習によるテーブル認識を容易にするため、ウィキペディアから構築された最大規模の表画像ベースデータセットであるWikiTableSetを作成した。
  論文  参考訳（メタデータ） (2023-03-14T06:03:57Z)
• TGRNet: A Table Graph Reconstruction Network for Table Structure Recognition [76.06530816349763]
  本稿では,表構造認識のためのエンドツーエンドのトレーニング可能な表グラフ再構成ネットワーク(TGRNet)を提案する。 具体的には,異なる細胞の空間的位置と論理的位置を共同で予測するために,細胞検出枝と細胞論理的位置分岐の2つの主枝を有する。
  論文  参考訳（メタデータ） (2021-06-20T01:57:05Z)
• Towards Faithful Neural Table-to-Text Generation with Content-Matching Constraints [63.84063384518667]
  そこで本研究では,トランスフォーマーをベースとした新たな生成フレームワークを提案する。 忠実度を強制する手法の中核となる技術は、テーブル-テキストの最適トランスポート・マッチング・ロスである。 忠実度を評価するため,テーブル・ツー・テキスト生成問題に特化した新しい自動尺度を提案する。
  論文  参考訳（メタデータ） (2020-05-03T02:54:26Z)
• Global Table Extractor (GTE): A Framework for Joint Table Identification and Cell Structure Recognition Using Visual Context [11.99452212008243]
  本稿では,共同テーブル検出とセル構造認識のための視覚誘導型システムフレームワークを提案する。 GTE-Tableでは、テーブルネットワークをトレーニングするために、テーブルの自然セル封じ込め制約に基づく新たなペナルティを発明する。 これを使って、セルラベルでPubTabNetを強化し、FinTabNet、実世界の複雑な科学的および財務的なデータセットを作成します。
  論文  参考訳（メタデータ） (2020-05-01T20:14:49Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。