精选理由
这篇论文解决了表格识别中自回归解码的顺序依赖问题，用非因果注意力让细胞特征序无关，推理快了3倍，识别也更准。
论文提出结构精炼模块，通过非因果注意力产生序无关的细胞特征。在ICDAR 2019和PubTables-1M两个数据集上，细胞定位和端到端识别一致提升。推理时间减少约3倍。现有方法因自回归解码导致细胞表示顺序依赖，影响全局一致性。新设计实现并行推理，同时每个细胞基于全局上下文。
AI 翻译 · 中文
论文提出结构精炼模块，通过非因果注意力产生序无关的细胞特征。在ICDAR 2019和PubTables-1M两个数据集上，细胞定位和端到端识别一致提升。推理时间减少约3倍。现有方法因自回归解码导致细胞表示顺序依赖，影响全局一致性。新设计实现并行推理，同时每个细胞基于全局上下文。
Multi-task table recognition jointly addresses table structure prediction, cell localization, and cell content recognition within a unified framework. Existing approaches often rely on autoregressive decoders to generate…