التعرف على الجداول المستندة إلى الصور هو مهمة صعبة بسبب تنوع أساليب الجداول وتعقيد بنية الجداول. تركز معظم الطرق السابقة على نهج غير شامل (non-end-to-end) يقسم المشكلة إلى مشكلتين منفصلتين: التعرف على بنية الجدول؛ والتعرف على محتوى الخلايا، ثم يحاول حل كل مشكلة بشكل مستقل باستخدام نظامين منفصلين. في هذا البحث، نقترح نموذج تعلم متعدد المهام شاملًا (end-to-end) للتعرف على الجداول المستندة إلى الصور. يتكون النموذج المقترح من مشفّر مشترك واحد، ومفكك مشترك واحد، وثلاثة مفككات منفصلة تستخدم لتعلم ثلاث مهمات فرعية للتعرف على الجداول: التعرف على بنية الجدول، كشف الخلايا، والتعرف على محتوى الخلايا. يمكن تدريب النظام بأكمله وإجراء الاستدلال عليه بسهولة باستخدام نهج شامل (end-to-end). في التجارب، قمنا بتقييم أداء النموذج المقترح على قاعدتي بيانات كبيرتين: FinTabNet وPubTabNet. أظهرت نتائج التجارب أن النموذج المقترح يتفوق على أفضل الطرق الحالية في جميع قواعد البيانات المرجعية.