知识卡片：Tables Decoded：DELTA 做表格结构，TARQA 做表格理解

一句话结论

论文提出用结构化文本表示替代表格图像中心路线的表格理解方案：DELTA 将表格解析为 OTSL，TARQA 基于 OTSL 序列微调 LLM，在表格结构识别、表格问答与表格视觉问答上报告了增益，并发布 Hindi 基准 TORQUE 及代码、模型、基准。

事件概述或研究问题

表格理解是文档智能的核心任务，包含两个关键子任务：表格重建与表格视觉问答（TabVQA）。近期方法主要依赖视觉语言模型（VLMs）处理表格图像；本文研究一种更可扩展、更有效的替代方案——结构化文本表示。材料称该表示更易处理、更自然地对齐 LLM，并可消除对语言特定视觉编码器的需要，因而尤其适合多语言文档。

方法/产品要点

• DELTA：将物理结构识别、逻辑结构识别和 OCR 分离，以准确提取布局与内容。
• OTSL：即 Optimised Table Structure Language，是一种紧凑、统一的格式，用于编码单元格排列和文本内容；DELTA 以 OTSL 输出表格。
• TARQA：在 OTSL 序列上微调的 LLM，用于表格理解/问答。
• TORQUE：论文构建的 Hindi 基准，用于验证非英语表格上的鲁棒性。
• 开源：作者发布代码、模型和基准，地址为 https://github.com/Tihiitborg/Tables-Decoded 。

主要结果或产业意义

• 在表格结构识别（TSR）上，DELTA 在 FinTabNet、PubTabNet、PubTables-1M 上取得与 state-of-the-art 方法可比的 TEDS-Structure 分数。
• 在表格问答与表格视觉问答上，方法在 WTQ（TabQA）上提升 9.3 p.p.，在 FinTabNetQA（TabVQA）上提升 9.2 p.p.。
• 在 TORQUE 上，该方法在所有 VLM 与 DELTA + LLM 变体中排名第二。
• 产业意义：若该路线成立，表格文档处理可更多依赖结构化文本与 LLM，而非语言特定的视觉编码器，有利于多语言文档智能和统一表格表示。

为什么重要

• 路线变化：从“表格图像 + VLM”转向“表格结构化文本 + LLM”，可能降低对视觉编码器的依赖。
• 表示统一：OTSL 同时编码单元格排列和文本内容，把结构识别与后续问答连接在同一表示上。
• 多语言价值：材料以 Hindi 基准 TORQUE 验证非英语表格鲁棒性，指向多语言文档场景。
• 资源发布：代码、模型和基准公开，有利于复现、比较和后续研究。

与既有脉络的关系

已有相关卡片主要涉及 3D 重建、视频理解等方向，与本条无直接事实重叠。本条是 foundation-model 与文档智能/表格理解方向的新增脉络；增量信息是用 OTSL 结构化文本表示连接表格结构识别与表格问答，并引入 Hindi TORQUE 基准。

局限与不确定性

• 摘要未给出完整实验设置、具体 TEDS-Structure 数值、数据集划分、模型规模和训练成本；待核实。
• “与 state-of-the-art 可比”具体比较对象和差距未在材料中展开；待核实。
• TORQUE 的规模、构建流程、标注方式、语言覆盖范围未在材料中说明；待核实。
• 代码、模型和基准的许可证、可复现性和长期维护情况未在材料中确认；待核实。
• 材料标注的发布时间/更新时间为 2026-09-15T16:59:42Z；其与实际可检索状态的一致性待核实。
• “排名第二”的评测范围写为所有 VLMs 与 DELTA + LLM 变体，但具体榜单、指标和参赛方法未在材料中展开；待核实。

可用于图书/PPT/简报的角度

• 表格智能的两段式管线：结构重建 + 理解问答。
• 从表格图像到 OTSL 文本：面向 LLM 的表格表示。
• 多语言文档智能：Hindi 基准 TORQUE 的意义。
• VLM 路线 vs 结构化文本路线：表格理解中的两种技术选择。
• 开源基准、模型和代码如何推动文档智能复现研究。

原始材料

• 英文标题：Tables Decoded: DELTA for Structure, TARQA for Understanding
• 英文关键词/术语（材料未单列关键词；以下为摘要和抓取文本中出现的英文关键词/术语）：Table understanding; table reconstruction; TabVQA; vision-language models (VLMs); structured textual representations; DELTA; TARQA; Optimised Table Structure Language (OTSL); table structure recognition (TSR); TEDS-Structure; FinTabNet; PubTabNet; PubTables-1M; TORQUE; WTQ; FinTabNetQA
• 作者：Jahanvi Rajput, Dhruv Kudale, Saikiran Kasturi, Utkarsh Verma, Ganesh Ramakrishnan
• arXiv ID：2609.17458v1
• 发布/更新时间：2026-09-15T16:59:42Z
• 主类别/类别：cs.CV；cs.CV, cs.LG
• DOI：10.1109/WACV61042.2026.00272
• Abstract URL：https://arxiv.org/abs/2609.17458v1
• PDF URL：https://arxiv.org/pdf/2609.17458v1
• 代码/模型/基准：https://github.com/Tihiitborg/Tables-Decoded
• 来源说明：以上信息来自提供的 arXiv 标题、摘要与抓取文本；未在材料中出现的细节待核实。