💻 computer science

FastTab: A Fast Table Recognizer with a Tiny Recursive Module and 1D Transformers

FastTab est un modèle de reconnaissance de structure de tableau à faible latence qui combine un module récursif léger Tiny pour le raisonnement global avec des Transformers 1D axiaux afin de prédire avec précision les structures de grille et les spans de cellules sans recourir au décodage HTML autoregressif.

Auteurs originaux : Laziz Hamdi, Amine Tamasna, Pascal Boisson, Thierry Paquet

Publié 2026-05-22

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Laziz Hamdi, Amine Tamasna, Pascal Boisson, Thierry Paquet

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez qu'on vous remette une carte manuscrite et désordonnée d'une ville. Votre tâche consiste à la redessiner parfaitement sur un ordinateur, en déterminant exactement où se trouve chaque rue (ligne) et chaque avenue (colonne), quels bâtiments sont fusionnés et quelles rues ne sont que des en-têtes. C'est le défi de la Reconnaissance de la Structure de Table (TSR) : transformer une image d'un tableau en une grille numérique propre.

La plupart des modèles d'IA actuels tentent de résoudre ce problème comme un romancier écrivant une histoire mot par mot (en générant du code HTML). Cela est lent et sujet à des erreurs au milieu de la phrase.

FastTab est un nouveau modèle d'IA ultra-rapide qui adopte une approche différente. Au lieu d'écrire une histoire, il agit comme un arpenteur avec une grille laser. Voici comment cela fonctionne, décomposé en concepts simples :

1. Le « Petit Cerveau » (Le Module Récursif Minuscule)

Imaginez que vous regardez un tableau de loin. Vous devez savoir : « Combien y a-t-il de lignes ? Combien de colonnes ? Où se trouve l'en-tête ? »

L'Ancienne Méthode : L'IA pourrait essayer de deviner ces détails en examinant chaque pixel individuellement, ce qui est épuisant.
La Méthode FastTab : Elle utilise un Module Récursif Minuscule (TRM). Imaginez cela comme un minuscule assistant ultra-intelligent qui examine l'image entière, fait une estimation rapide, puis regarde à nouveau l'image pour affiner cette estimation, et répète cela quelques fois (environ 6 fois).
L'Analogie : C'est comme plisser les yeux devant une photo floue, puis plisser un peu plus fort, puis ajuster vos lunettes. Après quelques « plissements » rapides, l'assistant sait exactement la taille du tableau et l'emplacement des en-têtes, sans avoir besoin de lire chaque mot.

2. Les « Scanners Unidimensionnels » (Transformers Axiaux 1D)

Une fois que l'IA connaît la taille générale, elle doit tracer les lignes.

Le Problème : Les tableaux ont de longues lignes et de longues colonnes. Si vous regardez le tableau entier d'un coup, c'est comme essayer de lire un livre entier d'un seul regard.
La Méthode FastTab : Elle divise le problème. Elle utilise des Transformers 1D pour scanner le tableau en deux passages séparés :
1. Scanner de Lignes : Il regarde uniquement horizontalement, comme un faisceau laser balayant une ligne pour déterminer où placer les lignes verticales.
2. Scanner de Colonnes : Il regarde uniquement verticalement, comme un faisceau laser balayant une colonne pour déterminer où placer les lignes horizontales.
L'Analogie : Imaginez un bibliothécaire organisant des livres. Au lieu de regarder toute l'étagère d'un coup, il scanne une rangée de livres pour trouver les espaces, puis scanne une colonne d'étagères pour trouver les espaces. C'est beaucoup plus rapide et cela empêche l'IA de se perdre face à l'image entière d'un coup.

3. Le « Détective des Cellules Fusionnées » (Poolage Aligné sur les ROI)

Parfois, une cellule d'un tableau s'étend sur deux ou trois colonnes (une « cellule fusionnée »).

L'Ancienne Méthode : L'IA pourrait deviner au hasard où la fusion se produit.
La Méthode FastTab : Une fois les lignes de la grille tracées, l'IA regarde uniquement la boîte spécifique où une cellule commence (le coin supérieur gauche). Elle se demande : « Cette cellule s'étend-elle vers la droite ? S'étend-elle vers le bas ? »
L'Analogie : C'est comme un agent immobilier qui a déjà tracé les limites de propriété sur une carte. Il n'a besoin que de se tenir devant la porte d'entrée d'une maison pour demander : « Cette maison couvre-t-elle deux lots ? » Il n'a pas besoin de parcourir toute la propriété pour le savoir.

Pourquoi est-ce une grande avancée ?

Vitesse : Parce qu'il n'écrit pas une longue histoire (code HTML) mot par mot, il est incroyablement rapide. L'article affirme qu'il peut traiter des tableaux en temps réel (environ 40+ images par seconde sur des ordinateurs puissants, et toujours plus de 4 images par seconde sur des ordinateurs portables ordinaires).
Précision : Il est aussi performant que les modèles lents et complexes pour obtenir la bonne structure.
Robustesse : Les auteurs l'ont testé sur des tableaux « anonymisés » (où le texte est noirci ou flouté pour cacher des secrets). FastTab fonctionne toujours bien car il se concentre sur la forme et les lignes du tableau, et non sur les mots à l'intérieur.
Tableaux Courbés : Ils ont même démontré qu'il peut gérer des tableaux légèrement pliés ou courbés (comme une photo prise d'un tableau sur une surface courbe), en permettant aux « lignes laser » de se courber légèrement.

Résumé

FastTab est comme une équipe de construction à grande vitesse. Au lieu de construire un tableau brique par brique (mot par mot), ils :

Utilisent un chef d'équipe rapide (TRM) pour décider de la taille du plan.
Envoyent des scanners laser (Transformers 1D) pour tracer les lignes droites des lignes et des colonnes.
Ont un spécialiste vérifier les coins pour voir si des blocs sont fusionnés.

Le résultat est un tableau numérique construit en une fraction de seconde, avec une grande précision, même si la photo originale est un peu désordonnée ou si le texte est caché.

Résumé Technique : FastTab

Définition du Problème
La Reconnaissance de Structure de Table (TSR) vise à restaurer l'organisation logique des tables (lignes, colonnes, en-têtes et cellules fusionnées) ainsi que leur fidélité géométrique à partir d'images de documents. Cette tâche est difficile en raison de la nécessité de concilier la cohérence structurelle globale (par exemple, les totaux de lignes/colonnes, l'étendue des en-têtes) avec la précision spatiale locale (par exemple, la localisation des séparateurs, les mises en page sans bordures). Les paradigmes existants peinent souvent à équilibrer ces exigences : les méthodes basées sur les composants reposent sur une détection et une reconstruction explicites, les approches de division et fusion se concentrent sur la construction de grilles, et les modèles génératifs (image vers séquence) mappent les images vers des tokens HTML. Ces derniers, bien qu'efficaces, entraînent des coûts de calcul élevés dus au décodage autorégressif et nécessitent le maintien d'une cohérence syntaxique globale tout au long du processus de génération de séquence.

Méthodologie
FastTab est un modèle TSR centré sur la grille conçu pour éviter le décodage HTML autorégressif. Il opère en une seule passe avant pour prédire une grille de table et les étendues des cellules fusionnées. L'architecture se compose de trois composants principaux :

Encodeur d'Image : Un réseau entièrement convolutif (FCN) extrait une carte de caractéristiques 2D haute résolution ( $F$ ). L'encodeur utilise un calendrier de pas anisotrope ( $H/16, W/8$ ) pour préserver un échantillonnage horizontal plus fin pour le délimitage des colonnes, produisant 1024 canaux.
Raisonnement Global (Module Récursif Minuscule - TRM) : Pour soutenir les décisions au niveau de la table (nombres de lignes/colonnes, lignes d'en-tête), FastTab calcule un descripteur global via un pooling moyen. Celui-ci est affiné sur $T$ étapes résiduelles (par défaut $T=6$ ) en utilisant un Module Récursif Minuscule léger. Le TRM met à jour itérativement un vecteur latent $z$ en utilisant un MLP à deux couches, conditionné par le descripteur global, pour capturer les dépendances à long terme nécessaires à des décisions structurelles cohérentes.
Transformers 1D Axiaux (Tête des Lignes) : Au lieu de traiter la carte 2D complète pour les séparateurs, le modèle projette $F$ $F$ en deux séquences 1D (par ligne et par colonne) en moyennant le long de la dimension orthogonale. Ces séquences sont traitées par des encodeurs Transformer 1D légers (2 couches, 4 têtes) pour capturer les dépendances à long terme le long de chaque axe avec une croissance linéaire du calcul. La tête prédit :
- Les nombres de lignes et de colonnes ( $R, C$ ).
- Le nombre de lignes d'en-tête ( $H_{hdr}$ ).
- Les emplacements des séparateurs, paramétrés comme des longueurs d'intervalle normalisées et convertis en limites ordonnées via une sommation cumulative.
Tête d'Étendue : Une fois les limites de la grille établies, l'alignement ROI (ROI Align) regroupe les caractéristiques pour chaque cellule logique. Un Perceptron Multicouche (MLP) classe la fusion de lignes et de colonnes pour chaque cellule, supervisé uniquement aux positions d'ancrage (coins supérieurs gauches) pour éviter l'ambiguïté dans les régions fusionnées.

Contributions Clés

Architecture : Introduction de FastTab, qui combine un Module Récursif Minuscule pour le contexte global avec des Transformers 1D axiaux pour un raisonnement efficace sur les lignes/colonnes à long terme, évitant la surcharge des décodeurs autorégressifs.
Performance : Démonstration de performances de récupération de structure compétitives sur quatre benchmarks (PubTabNet, FinTabNet, PubTables-1M et SciTSR) tout en opérant à une faible latence (inférence en temps réel).
Analyse de Robustesse : Évaluation du modèle sous des contraintes pratiques, spécifiquement l'anonymisation au niveau des pixels (montrant une résilience à l'obfuscation préservant la mise en page) et une extension aux séparateurs courbes pour gérer les distorsions géométriques comme la rotation.
Études d'Ablation : Analyse systématique confirmant que l'affinement itératif via le TRM produit des rendements décroissants au-delà de $T=6$ et que l'attention 1D axiale surpasse significativement les bases convolutives locales avec une pénalité de vitesse minimale.

Résultats Expérimentaux
FastTab a été évalué sur des benchmarks standards utilisant des métriques de structure uniquement (S-TEDS, GriTSTop, CAR F1) :

PubTabNet : A atteint 96,8 % de S-TEDS avec 44,89 FPS (GPU A100), surpassant de nombreux modèles à haute précision en vitesse tout en maintenant une précision compétitive. Il fonctionne également à environ 5 FPS dans des environnements uniquement CPU.
FinTabNet : A atteint 98,2 % de S-TEDS avec 41,79 FPS.
PubTables-1M : A atteint 98,27 % de GriTSTop avec 39,50 FPS.
SciTSR : A égalé la meilleure précision rapportée (99,5 % de CAR F1) avec 35,51 FPS.
Anonymisation : Le modèle a montré une robustesse à l'anonymisation préservant la mise en page (par exemple, flou gaussien, pixellisation) mais s'est dégradé significativement avec des méthodes qui homogénéisent les régions de texte (par exemple, remplissage médian).
Séparateurs Courbes : Une extension prédisant des limites de polylignes pour les séparateurs a maintenu de solides performances sous des rotations in-plane modérées (jusqu'à $\pm 15^\circ$ ), bien que les performances aient diminué avec des rotations plus importantes.

Signification et Revendications
L'article positionne FastTab comme une alternative efficace aux pipelines de reconstruction multi-étapes et aux modèles génératifs autorégressifs. En découplant le raisonnement du contexte global (via le TRM) de la modélisation des dépendances axiales (via les Transformers 1D), FastTab atteint un compromis favorable entre précision et vitesse d'inférence. Les auteurs affirment que le modèle résout avec succès la tension entre la cohérence structurelle globale et la précision spatiale locale sans la charge de calcul de l'auto-attention 2D complète ou du décodage autorégressif. Le travail suggère que pour de nombreuses applications pratiques nécessitant un déploiement en temps réel ou contraint par les ressources, une approche centrée sur la grille avec une modélisation axiale spécialisée suffit à restaurer des structures de tables complexes avec une haute fidélité. Les travaux futurs sont identifiés comme l'extension du modèle aux pages à multiples tables, l'amélioration de la robustesse aux déformations de perspective sévères, et le développement d'un décodage de grille adaptatif pour les très grandes tables.