TC-OCR: TableCraft OCR for Efficient Detection & Recognition of Table Structure & Content

自动识别文档图像中的表格数据是一个重大挑战，因为表格样式和结构复杂多样。表格提供了有价值的内容表达方式，增强了各种系统（如搜索引擎和知识图谱）的预测能力。传统上，解决表格检测（TD）和表格结构识别（TSR）这两个主要问题是分别进行的。在这项研究中，我们提出了一个端到端的流程，集成了DETR、CascadeTabNet和PP OCR v2等深度学习模型，实现了全面的基于图像的表格识别。这种集成方法有效地处理了多样的表格样式、复杂的结构和图像扭曲，与现有的方法（如Table Transformers）相比，提高了准确性和效率。我们的系统实现了同时进行表格检测（TD）、表格结构识别（TSR）和表格内容识别（TCR），保留了表格结构并从文档图像中准确提取表格数据。多个模型的集成解决了表格识别的复杂性，使我们的方法成为基于图像的表格理解、数据提取和信息检索应用的有前途的解决方案。我们提出的方法实现了0.96的IOU和78%的OCR准确度，相比之前的Table Transformer方法，OCR准确度提高了约25%，展示了显著的改进。

本论文旨在解决文档图像中表格的自动识别问题，包括表格检测（TD）和表格结构识别（TSR），并提高表格内容识别（TCR）的准确性和效率。

本文提出了一种端到端的方法，将深度学习模型如DETR、CascadeTabNet和PP OCR v2集成在一起，以实现全面的基于图像的表格识别。该方法有效地处理了多样化的表格样式、复杂的结构和图像扭曲，相较于现有方法如Table Transformers，取得了更高的准确性和效率。

本文的方法同时实现了表格检测、表格结构识别和表格内容识别，保留了表格结构并从文档图像中准确提取表格数据。实验结果表明，本文方法的IOU为0.96，OCR准确率为78%，相较于之前的Table Transformer方法，OCR准确率提高了约25%。

最近在这个领域中，还有一些相关研究，如《Table Structure Recognition with Tensor Graph and Instance Segmentation》、《Table Recognition with Visual-Semantic Alignment Network and Its Application on Patent Analysis》等。