OCR 레이아웃 분석은 표와 다중 열 읽기 순서를 어떻게 재구성하나요?

OCR 레이아웃 분석은 인식된 단어에 기하 정보, 영역 유형, 표 관계, 추론된 읽기 순서를 결합하여 복잡한 페이지를 재구성합니다.

스캔한 은행 거래 명세서, 송장, 가전제품 일정표, 학교 양식, 잡지 페이지 또는 기술 매뉴얼은 단순한 단어 모음이 아닙니다. 의미는 토큰이 어디에 나타나는지, 어떤 제목이 문단을 포괄하는지, 어떤 헤더가 표의 값을 설명하는지, 다음에 어느 열을 읽어야 하는지에 따라 달라집니다. 문자 OCR은 텍스트와 좌표를 제공하고, 레이아웃 분석은 이러한 감지 결과를 검색 또는 RAG 파이프라인이 일관되게 보존할 수 있는 문서로 변환하는 구조 계층을 추가합니다.

OCR은 먼저 페이지 기하 정보에 고정된 텍스트 요소를 생성합니다

재구성은 단어, 줄, 스팬, 경계 다각형, 신뢰도 값, 방향과 같은 페이지 수준 감지 결과에서 시작됩니다. 기하 정보는 일반 텍스트로 변환할 때 사라질 수 있는 증거를 보존합니다.

스팬과 위치가 포함된 페이지 요소는 인식된 텍스트와 페이지 내부의 기하 정보를 함께 보존하여, 이후 레이아웃 단계에서 줄, 영역, 원본 위치를 그룹화할 수 있는 증거를 제공합니다.

x=800에 있는 단어가 본질적으로 x=100에 있는 단어보다 “뒤에” 있는 것은 아닙니다. 2단 레이아웃에서는 두 단어의 기하학적 관계가 하나의 왼쪽에서 오른쪽으로 이어지는 문장이 아니라 서로 다른 읽기 흐름을 나타낼 수 있습니다. 따라서 좌표 계층은 그룹화를 위한 원시 공간 증거로 작동하지만, 기하 정보만으로는 제목, 캡션, 표 헤더, 바닥글과 같은 의미적 역할을 결정하기에 충분하지 않습니다.

레이아웃 모델은 페이지를 평탄화하기 전에 영역을 분류합니다

레이아웃 분석기는 문단, 제목, 헤딩, 표, 그림, 목록, 머리글, 바닥글과 같은 더 큰 영역을 감지합니다. 각 영역에는 콘텐츠와 페이지 위치가 함께 포함됩니다.

기하학적·논리적 역할을 분류하면 페이지를 평탄화하기 전에 표와 그림 같은 물리적 영역을 제목, 헤딩, 바닥글 같은 의미적 역할과 구분할 수 있습니다.

이 영역 단계는 페이지 번호, 사이드 노트, 캡션, 본문 문단을 하나의 평탄한 흐름에 있는 동등한 줄로 처리하는 문제를 방지합니다.

또한 이후의 표 및 읽기 순서 로직이 모든 개별 단어 사이의 관계를 독립적으로 해결하는 대신, 서로 연결할 수 있는 컨테이너를 생성합니다.

표 재구성은 OCR 텍스트에 행, 열, 셀, 병합 정보를 추가합니다

“$128.50”을 인식했다고 해서 이것이 소계인지, 자기부담금인지, 월별 요금인지, 아니면 다른 열의 값인지는 알 수 없습니다. 분석기는 토큰을 포함하는 셀과 그 주변의 격자 관계를 추론해야 합니다.

표 구조와 문맥 관계를 복원하면 OCR 토큰을 행, 열, 셀, 헤더, 섹션 정보를 인식하는 객체로 변환하여 색인 후에도 의미를 유지할 수 있습니다.

셀 경계는 표시된 테두리선, 여백, 정렬 패턴, 학습된 시각적 특징 또는 이러한 단서의 조합으로 결정될 수 있습니다. 결과 구조에는 행과 열 소속이 기록되며 병합된 셀이나 헤더 역할도 보존될 수 있습니다.

그 후 로컬 RAG 파이프라인은 원본 확인을 위한 좌표를 유지하면서 표를 구조화된 행, Markdown, HTML, 키-값 쌍 또는 표 인식 청크로 직렬화할 수 있습니다.

-15% OFF

ZimaBoard 2 - 당신의 큰 아이디어를 위한 미니 홈 서버

Single board computer zimaboard2

$339.00 - $519.00

Buy Now

읽기 순서는 영역 간 관계로 추론됩니다

영역을 감지한 후에도 시스템은 어떤 요소 다음에 어떤 요소가 오는지 결정해야 합니다. 단순한 위에서 아래로의 정렬은 2단 레이아웃, 사이드바, 줄바꿈된 캡션, 그림 주변으로 흐르는 텍스트에서 제대로 작동하지 않습니다.

읽기 순서를 그래프 문제로 모델링하면 복잡한 다단 레이아웃에서 전체 순서를 선택하기 전에 텍스트 줄 또는 영역 간 후보 전환을 평가할 수 있습니다.

상용 레이아웃 시스템은 서로 다른 모델을 사용할 수 있지만 개념적인 작업은 동일합니다. 기하 정보, 텍스트, 영역 클래스, 학습된 레이아웃 패턴을 바탕으로 후속 요소 관계를 결정하는 것입니다. 결과는 왼쪽 열의 문단을 끝까지 읽은 다음 오른쪽 열의 맨 위로 이동하게 해야 하며, 가까운 캡션은 본문에 삽입하지 않고 해당 그림에 연결해야 합니다.

계층 구조는 헤딩, 문단, 표, 그림을 섹션으로 연결합니다

읽기 순서는 순서를 제공하지만 검색에는 계층 구조도 유용합니다. “보증 예외” 아래에 있는 문단은 검색된 청크에서 해당 헤딩이 여러 줄 위에 있더라도 그 헤딩과 연결된 상태로 유지되어야 합니다.

문서 레이아웃 트리는 부모-자식 계층 구조를 보존하므로 문단 또는 표 청크가 원본 문서에서 해당 역할을 정의하는 헤딩의 문맥을 유지할 수 있습니다.

이는 섹션 제목이나 열 헤더가 없으면 의미가 모호할 수 있는 표 행을 검색하는 경우, 특히 프라이빗 RAG에 유용합니다.

따라서 구조 인식 청킹은 재구성 후에 수행할 수 있으며, 청커가 평탄화된 OCR 텍스트에서 페이지 관계를 다시 찾아내도록 강제하지 않아도 됩니다.

구조화된 출력은 검색과 검증을 위한 출처 정보를 보존합니다

견고한 파서는 재구성된 요소와 페이지 번호 및 원본 좌표 간의 매핑을 유지해야 합니다. 이를 통해 검색 인터페이스는 생성된 구조를 추적할 수 없는 새로운 문서로 취급하는 대신 원본 표나 문단을 표시할 수 있습니다.

손실된 OCR 표 관계를 복원하려면 추출된 콘텐츠를 일반 검색 청크로 변환하기 전에 행, 열, 헤더, 병합 관계를 추가해야 합니다.

가정용 청구서의 경우 출처 정보는 검색된 금액을 해당 표 셀, 행 레이블, 열 헤더, 페이지, 경계 상자에 연결할 수 있습니다. 다단 매뉴얼의 경우에는 정확한 문단 순서를 보존할 수 있습니다. 이 때문에 레이아웃 분석은 단순한 시각적 서식 이상의 의미를 가집니다. 레이아웃 분석은 벡터 또는 키워드 색인이 나중에 순위를 매길 증거 단위와 인용에서 표시할 원본 영역을 결정합니다.

OCR이 포착하지 못한 증거는 레이아웃 분석으로 안정적으로 복원할 수 없습니다

구조 모델은 사용 가능한 시각적·텍스트 신호에 의존합니다. 심한 흐림, 잘린 가장자리, 손글씨, 기울어짐, 겹쳐 찍힌 도장, 손상된 스캔 또는 잘못된 문자 인식은 셀이나 관계를 식별하는 데 필요한 정보를 제거할 수 있습니다.

레이아웃 감지와 읽기 순서를 공동으로 모델링하면 전체 문서 재구성 과정에서 영역 인식과 해당 영역을 읽어야 하는 순서를 연결하는 데 도움이 됩니다.

스캔 페이지 간 일관되지 않은 OCR 결과와 레이아웃 순서 오류를 구분하면, 기본 문자가 잘못 인식된 상황에서 파서가 구조 재구성을 탓하는 일을 방지할 수 있습니다.

두 가지를 모두 평가하세요. 재구성된 출력이 프라이빗 검색 또는 RAG 시스템의 증거가 되기 전에 텍스트 정확도, 표 셀 소속, 헤더 연결, 섹션 계층 구조, 읽기 순서, 좌표 추적 가능성을 확인해야 합니다.