UniHDSA: Ein einheitlicher Ansatz zur Relationenvorhersage für die hierarchische Dokumentstrukturanalyse

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

March 20, 2025

Autoren: Jiawei Wang, Kai Hu, Qiang Huo

cs.AI

Zusammenfassung

Die Analyse der Dokumentstruktur, auch bekannt als Dokumentlayoutanalyse, ist entscheidend für das Verständnis sowohl des physischen Layouts als auch der logischen Struktur von Dokumenten und dient der Informationsbeschaffung, der Dokumentenzusammenfassung, der Wissensextraktion usw. Die Hierarchische Dokumentstrukturanalyse (HDSA) zielt speziell darauf ab, die hierarchische Struktur von Dokumenten wiederherzustellen, die mit Autorensoftware mit hierarchischen Schemata erstellt wurden. Bisherige Forschungen haben hauptsächlich zwei Ansätze verfolgt: Der eine konzentriert sich darauf, spezifische Teilaufgaben der HDSA isoliert zu bewältigen, wie z.B. die Tabellenerkennung oder die Vorhersage der Lesereihenfolge, während der andere einen einheitlichen Rahmen verwendet, der mehrere Zweige oder Module umfasst, die jeweils für eine bestimmte Aufgabe entwickelt wurden. In dieser Arbeit schlagen wir einen einheitlichen Ansatz zur Vorhersage von Beziehungen für die HDSA vor, genannt UniHDSA, der verschiedene HDSA-Teilaufgaben als Beziehungsvorhersageprobleme behandelt und die Beziehungsvorhersage-Labels in einen einheitlichen Label-Raum konsolidiert. Dies ermöglicht es einem einzelnen Beziehungsvorhersage-Modul, mehrere Aufgaben gleichzeitig zu bewältigen, sei es auf Seiten- oder Dokumentebene. Um die Wirksamkeit von UniHDSA zu validieren, entwickeln wir ein multimodales End-to-End-System, das auf Transformer-Architekturen basiert. Umfangreiche experimentelle Ergebnisse zeigen, dass unser Ansatz auf einem Benchmark für die hierarchische Dokumentstrukturanalyse, Comp-HRDoc, state-of-the-art Leistung erzielt und auf einem groß angelegten Dokumentlayoutanalyse-Datensatz, DocLayNet, wettbewerbsfähige Ergebnisse liefert, was die Überlegenheit unserer Methode über alle Teilaufgaben hinweg effektiv veranschaulicht. Der Comp-HRDoc-Benchmark und die Konfigurationen von UniHDSA sind öffentlich unter https://github.com/microsoft/CompHRDoc verfügbar.

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.