TableMaster

概述

TableMaster 是 PaddleOCR PP-Structure 模块中的表格结构识别模型，将表格识别转化为序列生成问题：输入表格图像，自回归生成 HTML token 序列 + 预测每个单元格的边界框（bbox）。是 MinerU 第四层流水线的核心表格引擎。

关键内容

架构设计

TableMaster 采用 ResNet + FPN（特征提取）→ Transformer Decoder（自回归生成） 的架构：

特征提取：ResNet + FPN 从表格图像中提取多尺度特征图，加入位置编码
Transformer Decoder：自回归地生成 HTML token 序列
双任务输出头：
Token 分类头：nn.Linear(hidden_dim, vocab_size) — 预测每个位置的 HTML token
Bbox 回归头：nn.Linear(hidden_dim, 4) — 预测每个单元格的边界框 (x0, y0, x1, y1)

HTML 词表设计

TableMaster 的词表包含 HTML 相关的特殊 token，覆盖表格结构的各种情况：

Token	用途
`<BOS>` / `<EOS>`	序列起止标记
`<td>` / `</td>`	单元格起止
`<tr>` / `</tr>`	行列起止
`<td colspan="2">` / `<td colspan="3">`	跨列单元格
`<td rowspan="2">` / `<td rowspan="2" colspan="2">`	跨行/跨行+跨列
`<b>` / `<i>`	粗体/斜体（表头常见）

双阶段表格识别

TableMaster 在 MinerU 中是第一阶段（结构识别）的核心：

阶段一：表格结构识别（TableMaster）
  输入：表格图像
  输出：HTML 格式的表格结构（含空 <td></td> 占位）+ 每个单元格的 bbox

阶段二：表格单元格填充
  文字型 PDF：PyMuPDF Span 坐标对应
  扫描件：OCR 逐单元格识别
  输出：含文字的完整表格

跨单元格处理

TableMaster 通过 colspan / rowspan token 表达合并单元格关系。MinerU 在转换为 Markdown 时做降级处理（Markdown 不支持跨单元格）：跨列单元格复制内容到多个列，用 ↑ 标记重复，并在 JSON 输出中保留完整 HTML 结构。

三线表支持

学术论文常见的三线表（无竖线，仅顶线、表头分隔线、底线）对算法是极大挑战。TableMaster 通过学习到的特征理解"列对齐"，即使无竖线也能识别列边界，表头行粗体特征帮助确定列数。

输出格式

TableMaster 经 MinerU 管道后输出三种格式： - Markdown：通用表格格式，跨单元格做降级处理 - HTML：完整结构，保留 colspan/rowspan - JSON：机器可读，含 bbox、cell_data、page_no 等元信息

与同类工具对比

工具	表格结构还原
pypdf/pdfminer	❌
Marker	⚠️
Nougat	❌
TableMaster（MinerU）	✅ 专项优化

来源

raw/assets/MinerU/minerU_01_architecture.md — MinerU 深度解析系列 · 第一篇：整体架构全景
raw/assets/MinerU/minerU_06_table.md — MinerU 深度解析系列 · 第六篇：表格识别系统