Wir stellen einen neuartigen Ansatz zur Darstellung gescannter Dokumente vor, um die Extraktion von Feldern zu ermöglichen. Er erlaubt die gleichzeitige Kodierung von Text-, Visuellen- und Layout-Informationen in einem dreidimensionalen Tensor, der als Eingabe für ein Segmentierungsmodell dient. Wir verbessern die jüngsten Chargrid- und Wordgrid-Modelle \cite{chargrid} auf mehreren Ebenen: Zunächst berücksichtigen wir die visuelle Modalität, anschließend steigern wir die Robustheit gegenüber kleinen Datensätzen, ohne die Inferenzzeit signifikant zu erhöhen. Unser Ansatz wird an öffentlichen und privaten Dokumentenbild-Datensätzen getestet und zeigt gegenüber den neuesten state-of-the-art-Methoden eine höhere Leistungsfähigkeit.