في عالم الذكاء الاصطناعي، تُعتبر تمييز الهياكل الجدولية (Table Structure Recognition - TSR) خطوة محورية لفهم المستندات، حيث تهدف إلى استعادة تخطيط الصفوف والأعمدة من الصور. دقة هذه العملية تعتمد بشكل كبير على تحديد حدود دقيقة؛ فالأخطاء البسيطة في هذه الحدود قد تتسبب في تخصيصات خلوية غير صحيحة وعدم اتساق هيكلي.

ومع تطور التقنية، نواجه تحديات جديدة، فالتقنيات التقليدية تتعامل مع عناصر الجداول كأشياء عامة، متجاهلةً الخاصية الأساسية لترتيب الجداول: فإن الصفوف والأعمدة تلعب أدوارًا هيكلية متميزة، وحدودها تحمل أهمية غير متساوية. هنا تأتي الحلول المبتكرة، حيث نقترح استخدام خسارة تحديد الحدود الدقيقة المقيدة (Edge-constrained Fine-grained Localization loss - EFL) والتي تُعبر عن هذا التباين الهيكلي من خلال ترميز أولويات هندسية خاصة بالجداول في هدف التدريب.

هذا يعني أن العناصر الشبيهة بالصفوف يتم مراقبتها مع التركيز على حدودها الأفقية، بينما العناصر الشبيهة بالأعمدة تعطي الأولوية للحدود الرأسية. وبدورها، يتم تنفيذ هذه الفكرة ضمن كاشف زمني حقيقي مع تحسين توزيعي للحدود (D-FINE) الذي يعمل خلال عملية التدريب فقط، ويُوجه تحسين الحدود نحو تعديلات ذات مغزى هيكلي دون أي تغيير في خط أنابيب الاستدلال.

تُظهر مجموعة من التجارب التي أُجريت على مجموعة بيانات PubTables-1M واثنين من قواعد البيانات الخاصة، تحسينات مستمرة على الأنظمة الأساسية المحسّنة، بالإضافة إلى عدة كواشف زمنية حقيقية مثل RT-DETRv2 و YOLOv10-11، مع مكاسب تصل إلى +1.6 نقطة GriTS بسرعة استدلال متساوية.

بفضل هذه الابتكارات، يستطيع النظام الجديد، ConRTF، الحفاظ على دقة قوية حتى مع وجود ما لا يزيد عن 2000-3000 جدول معنون، مما يجعله مثالياً للاستخدام في البيئات التي تتطلب البيانات الفعالة.