論文の概要: Tables Decoded: DELTA for Structure, TARQA for Understanding
- arxiv url: http://arxiv.org/abs/2609.17458v1
- Date: Tue, 15 Sep 2026 16:59:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.631352
- Title: Tables Decoded: DELTA for Structure, TARQA for Understanding
- Title（参考訳）: 表のデコード:構造のためのDELTA、理解のためのTARQA
- Abstract要約: 本稿では、物理構造認識、論理構造認識、OCRを分離し、レイアウトとコンテンツの両方を正確に抽出するDELTAを提案する。
テーブル構造認識(TSR)では、DELTA TEDS- Structure は FinTabNet, PubTabNet, PubTables-1M にまたがる最先端のメソッドと同等である。
我々はWTQ(TabQA)では9.3 p.p.、FinTabNetQA(TabVQA)では9.2 p.p.の利得を得た。
- 参考スコア（独自算出の注目度）: 12.647289611255458
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Table understanding is a core task in document intelligence, encompassing two key subtasks: table reconstruction and table visual question answering (TabVQA). While recent approaches predominantly rely on vision- language models (VLMs) operating on table images, we propose a more scalable and effective alternative based on structured textual representations. These representations are easier to process, align more naturally with LLMs, and eliminate the need for language-specific visual encoders, making them particularly suitable for multilingual documents. We present DELTA, which separates physical structure recognition, logical structure recognition, and OCR to extract both layout and content accurately. DELTA outputs tables in Optimised Table Structure Language (OTSL), a compact and unified format that encodes cell arrangements and textual content. On table structure recognition (TSR), DELTA achieves TEDS- Structure scores comparable with state-of-the-art methods across FinTabNet, PubTabNet, and PubTables-1M. We further establish its robustness on non-English tables through our curated Hindi benchmark, TORQUE. Building on this, we introduce TARQA, an LLM fine-tuned on OTSL sequences. Our approach yields gains of 9.3 p.p. on WTQ (TabQA) and 9.2 p.p. on FinTabNetQA (TabVQA), respectively. On TORQUE, our method ranks second among all VLMs and DELTA + LLM variants. We release our code, models, and benchmark at: https://github.com/Tihiitborg/Tables-Decoded
- Abstract（参考訳）: テーブル理解はドキュメントインテリジェンスにおける中核的なタスクであり、テーブル再構成とテーブル視覚質問応答(TabVQA)という2つの重要なサブタスクを含んでいる。
近年,視覚言語モデル(VLM)に大きく依存しているが,構造化されたテキスト表現に基づくよりスケーラブルで効果的な代替案を提案する。
これらの表現は処理が容易で、LLMと自然に整合し、言語固有のビジュアルエンコーダを必要としないため、多言語文書に特に適している。
本稿では、物理構造認識、論理構造認識、OCRを分離し、レイアウトとコンテンツの両方を正確に抽出するDELTAを提案する。
DELTAは、セルアレンジメントとテキストコンテンツをエンコードするコンパクトで統一されたフォーマットであるOptimized Table Structure Language (OTSL) でテーブルを出力する。
テーブル構造認識(TSR)では、DELTAはFinTabNet、PubTabNet、PubTables-1Mをまたいだ最先端のメソッドに匹敵するTEDS- Structureスコアを達成している。
さらに、Hindi ベンチマーク TORQUE を用いて、非英語表上でのロバスト性を確立する。
これに基づいて,OTSL 配列を微調整した LLM である TARQA を導入する。
我々はWTQ(TabQA)では9.3 p.p.、FinTabNetQA(TabVQA)では9.2 p.p.の利得を得た。
TORQUEでは,本手法は全VLMおよびDELTA+LLMの変種の中で第2位である。
https://github.com/Tihiitborg/Tables-Decoded
関連論文リスト
- DeepTable: Structural Attention Biases and Tree Path Encoding for Hierarchical Table Understanding [10.761232681902394]
大規模言語モデル(LLM)は、テーブル理解において強力な性能を示している。
LLMを用いたテーブル理解のための構造認識手法であるDeepTableを提案する。
論文 参考訳（メタデータ） (2026-09-07T16:19:33Z) - TABVERSE: Benchmarking Cross-Format Table Understanding in LLMs and VLMs [50.96120467118319]
大規模言語モデル(LLM)と視覚言語モデル(VLM)は、テーブル推論タスクでますます評価されている。
制御されたマルチモーダルテーブルベンチマークであるTABVERSEを導入する。
その結果,表の表現選択が表の理解に大きく影響していることが示唆された。
論文 参考訳（メタデータ） (2026-06-08T14:52:46Z) - DenTab: A Dataset for Table Recognition and Visual QA on Real-World Dental Estimates [2.7885016877286897]
DenTabは、高品質なHTMLアノテーションを備えた歯科用推定値から2000個のトリミングされたテーブルイメージのデータセットである。
我々は、14の視覚言語エグゼキュータモデル(VLM)と2つのOCRベースラインを含む16のシステムをベンチマークした。
本稿では,算術的質問を決定論的実行にルーティングするテーブルルータパイプラインを提案する。
論文 参考訳（メタデータ） (2026-04-17T14:33:51Z) - 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) - TableDART: Dynamic Adaptive Multi-Modal Routing for Table Understanding [52.59372043981724]
TableDARTはトレーニング効率のよいフレームワークで、事前トレーニングされた単一モダリティモデルを再利用することでマルチモーダルビューを統合する。
さらに,テキストモデルと画像モデルからの出力を解析し,モーダル間知識統合のための新しいエージェントを提案する。
論文 参考訳（メタデータ） (2025-09-18T07:00:13Z) - SPRINT: Script-agnostic Structure Recognition in Tables [20.394597266150534]
表構造認識(TSR)は、情報検索、テーブル再構築、文書理解など、さまざまな下流業務に不可欠である。
言語に依存しないセル配置予測としてTSRを提案し,表にSPRINT, スクリプトに依存しない構造認識を導入する。
我々は、PubTabNet、FinTabNet、PubTables-1Mを含むベンチマークTSRデータセットのパフォーマンスを実験的に評価した。
論文 参考訳（メタデータ） (2025-03-15T00:43:53Z) - 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) - Multimodal Table Understanding [26.652797853893233]
直感的な視覚情報を使ってテーブルを直接理解する方法は、より実用的なアプリケーションを開発する上で極めて重要かつ緊急の課題である。
そこで我々は,様々なテーブル関連要求に対して,モデルが正しい応答を生成する必要がある,新しい問題であるマルチモーダルテーブル理解を提案する。
汎用マルチモーダル大言語モデル(MLLM)であるTable-LLaVAを開発した。
論文 参考訳（メタデータ） (2024-06-12T11:27:03Z) - Table Meets LLM: Can Large Language Models Understand Structured Table Data? A Benchmark and Empirical Study [44.39031420687302]
大規模言語モデル(LLM)は、自然言語(NL)に関連する課題を解決するために、数ショットの推論器として魅力的になってきている。
LLMの構造的理解能力を評価するためのベンチマークを設計して,これを理解しようと試みる。
重要な値や範囲識別など,効率的な構造的プロンプトのための$textitself-augmentation$を提案する。
論文 参考訳（メタデータ） (2023-05-22T14:23:46Z) - SEMv2: Table Separation Line Detection Based on Instance Segmentation [96.36188168694781]
SEMv2(SEM: Split, Embed, Merge)と呼ばれるテーブル構造認識器を提案する。
本稿では,テーブル分離ラインのインスタンスレベルの識別問題に対処し,条件付き畳み込みに基づくテーブル分離ライン検出戦略を提案する。
SEMv2を包括的に評価するために、iFLYTABと呼ばれるテーブル構造認識のためのより困難なデータセットも提示する。
論文 参考訳（メタデータ） (2023-03-08T05:15:01Z) - GraPPa: Grammar-Augmented Pre-Training for Table Semantic Parsing [117.98107557103877]
テーブルセマンティック解析のための効果的な事前学習手法GraPPaを提案する。
我々は、同期文脈自由文法を用いて、高自由度テーブル上に合成質問ペアを構築する。
実世界のデータを表現できるモデルの能力を維持するため、マスキング言語モデリングも含んでいる。
論文 参考訳（メタデータ） (2020-09-29T08:17:58Z)
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。