UniHDSA: Унифицированный подход к прогнозированию отношений для анализа иерархической структуры документов

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

March 20, 2025

Авторы: Jiawei Wang, Kai Hu, Qiang Huo

cs.AI

Аннотация

Анализ структуры документа, также известный как анализ макета документа, играет ключевую роль в понимании как физического расположения, так и логической структуры документов, что важно для задач поиска информации, автоматического реферирования, извлечения знаний и других. Иерархический анализ структуры документа (Hierarchical Document Structure Analysis, HDSA) направлен на восстановление иерархической структуры документов, созданных с использованием программного обеспечения для разработки, поддерживающего иерархические схемы. Предыдущие исследования в основном следовали двум подходам: один сосредоточен на решении отдельных подзадач HDSA, таких как обнаружение таблиц или предсказание порядка чтения, а другой использует унифицированную структуру с несколькими ветвями или модулями, каждый из которых предназначен для решения конкретной задачи. В данной работе мы предлагаем унифицированный подход к предсказанию отношений для HDSA, названный UniHDSA, который рассматривает различные подзадачи HDSA как задачи предсказания отношений и объединяет метки предсказания отношений в единое пространство меток. Это позволяет одному модулю предсказания отношений одновременно решать несколько задач, будь то анализ структуры на уровне страницы или документа. Для проверки эффективности UniHDSA мы разработали мультимодальную сквозную систему на основе архитектур Transformer. Результаты многочисленных экспериментов показывают, что наш подход достигает наилучших результатов на эталонном наборе данных для иерархического анализа структуры документа Comp-HRDoc, а также демонстрирует конкурентоспособные результаты на крупном наборе данных для анализа макета документа DocLayNet, что подтверждает превосходство нашего метода во всех подзадачах. Эталонный набор данных Comp-HRDoc и конфигурации UniHDSA доступны по адресу 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.