TABLET: Table Structure Recognition Using Encoder-only Transformers
| 項目 | 内容 |
|---|---|
| 論文ID | P28 |
| 区分・分類 | 論文・文書解析・表 |
| 著者・所属 | Qiyu Hou, Jun Wang（iWudao Tech） |
| 発表先 | International Conference on Document Analysis and Recognition (ICDAR 2025, LNCS) |
| 発表日 | 2025-09 |
| 引用数 | 7（OpenAlex 2026-10-06時点） |
| 言語 | 英語 |
| URL | https://doi.org/10.1007/978-3-032-04630-7_15 |
| 論文/pdf/P28.pdf | |
| 読んだ範囲 | 全文 |
論文タイプ
新技術。Split-Merge型の表構造認識モデル TABLET を提案し、FinTabNet・PubTabNet で既存手法と比較している。
研究の目標
財務開示資料などに多い「大きく密で字の小さい表」を、大量・高速・高信頼に構造認識すること。自己回帰手法は出力の正しさを保証できずヘッダーの誤りが後続に伝播し、長い表では遅い。ボトムアップ手法は罫線なし・空セルの多い表に弱い。TEDS は自己回帰手法に有利なため、「完全に正しく認識できた表の割合」も重視する。
技術的なやり方
| 段階 | 構成 |
|---|---|
| Split（行・列分割） | ResNet-18+FPN の高解像度特徴から行方向・列方向の特徴系列を作り、別々の Transformer encoder で各位置が分割領域かを2値分類。OCRテキスト位置で補正し、分割領域の中点を分割線として R×C のグリッドを作る |
| Merge（セル結合） | 各グリッドセルを RoIAlign で特徴化し、Transformer encoder で OTSL のトークン（C/L/U/X）に分類して結合。HTML に変換し OCRテキストを配置 |
2つのモデルは別々に学習する。データは FinTabNet、手修正版の FinTabNet refined test（9,681表）、PubTabNet。指標は TEDS、TEDS-Struc、構造と内容が完全一致した表の割合 Accuracy。
結果
| 評価 | TEDS | TEDS-Struc | Accuracy |
|---|---|---|---|
| FinTabNet test | 98.54 | 98.71 | 88.18 |
| FinTabNet refined test | 98.87 | 98.99 | 90.00 |
| PubTabNet validation | 96.79 | 97.67 | － |
- FinTabNet の TEDS は既存手法（VAST 98.21 など）を上回る。Accuracy は TableMaster 82.34・TableFormer 77.98（著者らの再計算値）に対し 88% 超。
- A100 1枚で 18.01 FPS。画像サイズと GPU 性能で補正した比較で、従来最速の RobusTabNet の約2.5倍。
- Qwen2.5-VL-7B はファインチューニング後も TEDS が約2%低く、100倍以上遅い。
- PubTabNet では最先端と同等だが、DRCC（TEDS 97.80）には及ばない。
限界・課題
- 画素分類型の Split-Merge は、DRCC の半自己回帰方式より解像度の影響を受けやすい。
- 主な誤りは、隣接列のテキストの縦方向の射影が重なると列を分けられない、列ヘッダーが下の内容と完全にずれると独立した列と誤る、1セル内の複数行テキストを別の行に分ける、など。
- FinTabNet は注釈の誤り・不整合が多く、正しい認識が誤りと数えられる例がある。
要点
行・列分割を系列ラベリング、セル結合をグリッドセルの OTSL 分類として、Transformer encoder だけで解く Split-Merge 型モデル。 FinTabNet で TEDS 98.54・完全正解率 88.18%・18 FPS。 自己回帰手法より完全正解率が高く、LVLM を含む既存手法より高速で、財務文書の大量処理に向く。