6806fff1d5
Archived the extract-table-cell-boxes proposal which implemented: - Table cell boxes extraction from PP-StructureV3 table_res_list - Layered rendering for tables with cell borders - CV-based table line detection (disabled) - Scan artifact removal preprocessing - PDF orientation detection for rotated documents 🤖 Generated with [Claude Code](https://claude.com/claude-code) Co-Authored-By: Claude <noreply@anthropic.com>
135 lines
5.0 KiB
Markdown
135 lines
5.0 KiB
Markdown
# Change: Extract Table Cell Boxes via Direct Model Invocation
|
||
|
||
## Why
|
||
|
||
PPStructureV3 (PaddleX 3.x) 的高層 API 在處理表格時，只輸出 HTML 格式的表格內容，**不返回每個 cell 的座標 (bbox)**。
|
||
|
||
### 問題分析
|
||
|
||
經過測試確認：
|
||
|
||
```python
|
||
# PPStructureV3 輸出 (parsing_res_list)
|
||
{
|
||
'block_label': 'table',
|
||
'block_content': '<html>...</html>', # 只有 HTML
|
||
'block_bbox': [84, 269, 1174, 1508], # 只有整個表格的 bbox
|
||
# ❌ 沒有 cell boxes
|
||
}
|
||
```
|
||
|
||
但底層模型 (SLANeXt) 實際上**有輸出 cell boxes**：
|
||
|
||
```python
|
||
# 直接調用 SLANeXt 模型
|
||
from paddlex import create_model
|
||
table_model = create_model('SLANeXt_wired')
|
||
result = table_model.predict(table_img)
|
||
# result.json['res']['bbox'] → 29 個 cell 座標 (8點多邊形)
|
||
```
|
||
|
||
### 影響
|
||
|
||
缺少 cell boxes 導致：
|
||
- OCR Track 的 PDF 版面還原表格渲染不準確
|
||
- 無法精確定位每個 cell 的位置
|
||
- 表格內容可能重疊或錯位
|
||
|
||
## What Changes
|
||
|
||
### 方案：補充調用底層 SLANeXt 模型
|
||
|
||
在 `pp_structure_enhanced.py` 處理表格時，補充調用 PaddleX 底層模型獲取 cell boxes：
|
||
|
||
```
|
||
┌─────────────────────────────────────────────────────────────┐
|
||
│ 修改後的流程 │
|
||
├─────────────────────────────────────────────────────────────┤
|
||
│ │
|
||
│ PPStructureV3.predict() │
|
||
│ │ │
|
||
│ ▼ │
|
||
│ parsing_res_list (HTML only) │
|
||
│ │ │
|
||
│ ▼ (對於 TABLE 類型) │
|
||
│ ┌─────────────────────────────────────┐ │
|
||
│ │ 補充調用底層模型 │ │
|
||
│ │ 1. 裁切表格區域 │ │
|
||
│ │ 2. 調用 SLANeXt 獲取 cell boxes │ │
|
||
│ │ 3. 轉換座標到全域座標 │ │
|
||
│ │ 4. 存入 element['cell_boxes'] │ │
|
||
│ └─────────────────────────────────────┘ │
|
||
│ │ │
|
||
│ ▼ │
|
||
│ 完整的表格元素 (HTML + cell_boxes) │
|
||
│ │
|
||
└─────────────────────────────────────────────────────────────┘
|
||
```
|
||
|
||
### 模型選擇邏輯
|
||
|
||
根據表格類型選擇對應的 SLANeXt 模型：
|
||
|
||
| 表格類型 | 判斷方式 | 使用模型 |
|
||
|---------|---------|---------|
|
||
| 有線表格 (wired) | PP-LCNet 分類 | SLANeXt_wired |
|
||
| 無線表格 (wireless) | PP-LCNet 分類 | SLANeXt_wireless |
|
||
|
||
### Cell Boxes 格式
|
||
|
||
SLANeXt 輸出的 bbox 是 8 點多邊形格式：
|
||
```python
|
||
[x1, y1, x2, y2, x3, y3, x4, y4] # 四個角點座標
|
||
# 例如: [11, 4, 692, 5, 675, 57, 10, 56]
|
||
```
|
||
|
||
需要轉換為全域座標（加上表格偏移量）。
|
||
|
||
## Impact
|
||
|
||
### Affected Specs
|
||
- `ocr-processing` - 表格處理增強
|
||
|
||
### Affected Code
|
||
- `backend/app/services/pp_structure_enhanced.py`
|
||
- 添加底層模型緩存機制
|
||
- 修改 `_process_parsing_res_list` 中的 TABLE 處理邏輯
|
||
- 添加 cell boxes 提取和座標轉換
|
||
|
||
- `backend/app/services/pdf_generator_service.py`
|
||
- 利用 cell_boxes 改進表格渲染
|
||
|
||
### Quality Impact
|
||
|
||
| 項目 | 改進前 | 改進後 |
|
||
|------|--------|--------|
|
||
| Cell 座標 | ❌ 無 | ✅ 有 (8點多邊形) |
|
||
| 表格渲染 | 平均分配行列 | 精確定位 |
|
||
| 版面還原 | 內容可能重疊 | 準確對應 |
|
||
|
||
### Performance Impact
|
||
|
||
- 額外模型調用：每個表格需要額外調用一次 SLANeXt
|
||
- 緩存優化：模型實例可緩存，避免重複載入
|
||
- 預估開銷：每表格增加 ~0.5-1 秒
|
||
|
||
## Risks
|
||
|
||
1. **性能開銷**
|
||
- 風險：額外模型調用增加處理時間
|
||
- 緩解：緩存模型實例，僅在需要時調用
|
||
|
||
2. **模型不一致**
|
||
- 風險：PPStructureV3 內部可能已使用不同參數的模型
|
||
- 緩解：使用相同的模型配置
|
||
|
||
3. **座標轉換錯誤**
|
||
- 風險：bbox 座標系可能有差異
|
||
- 緩解：充分測試，確保座標正確轉換
|
||
|
||
## Not Included
|
||
|
||
- 完全繞過 PPStructureV3（保留用於 Layout 分析）
|
||
- RT-DETR cell detection（可作為後續增強）
|
||
- 其他元素的增強處理
|