UniHDSA: Uma Abordagem Unificada de Predição de Relações para Análise Hierárquica da Estrutura de Documentos

UniHDSA: A Unified Relation Prediction Approach for Hierarchical Document Structure Analysis

March 20, 2025

Autores: Jiawei Wang, Kai Hu, Qiang Huo

cs.AI

Resumo

A análise da estrutura de documentos, também conhecida como análise de layout de documentos, é crucial para compreender tanto o layout físico quanto a estrutura lógica de documentos, servindo para recuperação de informações, sumarização de documentos, extração de conhecimento, entre outros. A Análise Hierárquica da Estrutura de Documentos (HDSA, na sigla em inglês) tem como objetivo específico restaurar a estrutura hierárquica de documentos criados usando softwares de autoria com esquemas hierárquicos. Pesquisas anteriores seguiram principalmente duas abordagens: uma se concentra em resolver subtarefas específicas da HDSA de forma isolada, como detecção de tabelas ou previsão da ordem de leitura, enquanto a outra adota uma estrutura unificada que utiliza múltiplos ramos ou módulos, cada um projetado para abordar uma tarefa distinta. Neste trabalho, propomos uma abordagem unificada de previsão de relações para HDSA, chamada UniHDSA, que trata várias subtarefas da HDSA como problemas de previsão de relações e consolida os rótulos de previsão de relações em um espaço de rótulos unificado. Isso permite que um único módulo de previsão de relações lide com múltiplas tarefas simultaneamente, seja em uma análise de estrutura em nível de página ou de documento. Para validar a eficácia da UniHDSA, desenvolvemos um sistema multimodal de ponta a ponta baseado em arquiteturas Transformer. Resultados experimentais extensivos demonstram que nossa abordagem alcança desempenho de ponta em um benchmark de análise hierárquica da estrutura de documentos, o Comp-HRDoc, e resultados competitivos em um grande conjunto de dados de análise de layout de documentos, o DocLayNet, ilustrando efetivamente a superioridade de nosso método em todas as subtarefas. O benchmark Comp-HRDoc e as configurações da UniHDSA estão disponíveis publicamente em https://github.com/microsoft/CompHRDoc.

English

Document structure analysis, aka document layout analysis, is crucial for understanding both the physical layout and logical structure of documents, serving information retrieval, document summarization, knowledge extraction, etc. Hierarchical Document Structure Analysis (HDSA) specifically aims to restore the hierarchical structure of documents created using authoring software with hierarchical schemas. Previous research has primarily followed two approaches: one focuses on tackling specific subtasks of HDSA in isolation, such as table detection or reading order prediction, while the other adopts a unified framework that uses multiple branches or modules, each designed to address a distinct task. In this work, we propose a unified relation prediction approach for HDSA, called UniHDSA, which treats various HDSA sub-tasks as relation prediction problems and consolidates relation prediction labels into a unified label space. This allows a single relation prediction module to handle multiple tasks simultaneously, whether at a page-level or document-level structure analysis. To validate the effectiveness of UniHDSA, we develop a multimodal end-to-end system based on Transformer architectures. Extensive experimental results demonstrate that our approach achieves state-of-the-art performance on a hierarchical document structure analysis benchmark, Comp-HRDoc, and competitive results on a large-scale document layout analysis dataset, DocLayNet, effectively illustrating the superiority of our method across all sub-tasks. The Comp-HRDoc benchmark and UniHDSA's configurations are publicly available at https://github.com/microsoft/CompHRDoc.