求推荐适用于书籍目录信息提取的预训练模型（需结合文档布局分析）

可用预训练模型 #

• LayoutLM系列（LayoutLMv2/LayoutLMv3）：微软推出的多模态文档理解预训练模型，融合文本、布局位置与图像特征，能处理OCR输出的文本块及对应坐标信息，非常适配目录的层级结构识别、章节名与页码关联任务。可基于该模型微调，输入目录图片的OCR结果（含文本块位置），训练后实现章节层级、名称、页码的结构化提取。
• DocLayNet衍生模型：依托DocLayNet大规模文档布局数据集训练的布局分析模型，可先识别目录中的主章节、子章节、页码等不同区块，再结合OCR结果完成内容提取与层级关联。
• Table Transformer：虽最初针对表格理解，但可适配目录这类“层级化键值对”结构，能有效识别章节名与页码的对应关系，以及章节的嵌套层级。

相关论文中文译名 #

1. 《从OCR识别的书籍中提取目录结构》（原英文标题：TOC structure extraction from OCR-ed books）
2. 《论目录的识别与解析》（原英文标题：On the Reading of Tables of Contents）

实操步骤参考 #

1. 预处理：用Tesseract等OCR工具提取目录图片的文本，同时保留每个文本块的坐标信息（x、y、宽度、高度）。
2. 布局分析：用上述布局相关预训练模型区分目录中的不同层级条目、页码区块。
3. 结构化提取：基于多模态预训练模型完成章节层级关联、名称与页码匹配，最终输出符合要求的结构化字典。

内容的提问来源于stack exchange，提问作者carlo97