要約
画像に基づく表認識は、表のスタイルの多様性と構造の複雑さにより困難な課題となっています。これまでの多くの手法は、非エンドツーエンドアプローチに焦点を当てており、この問題を2つの別々のサブ問題に分割しています：表構造認識とセルコンテンツ認識。そして、それぞれのサブ問題を2つの独立したシステムを使用して解決しようとします。本論文では、画像に基づく表認識のためにエンドツーエンドマルチタスク学習モデルを提案します。提案されたモデルは、1つの共有エンコーダ、1つの共有デコーダ、および3つの独立したデコーダから構成されており、これらは表認識の3つのサブタスク（表構造認識、セル検出、セルコンテンツ認識）を学習するために使用されます。全体的なシステムは、エンドツーエンドアプローチで簡単に訓練および推論できます。実験では、提案されたモデルの性能を2つの大規模データセット（FinTabNetとPubTabNet）で評価しました。実験結果は、提案されたモデルがすべてのベンチマークデータセットにおいて最先端の手法を超えることを示しています。