연구팀은 테이블 구조 인식(TSR)의 정확도를 높이기 위해 Edge-constrained Fine-grained Localization(EFL) 손실 함수를 제안했어요. EFL은 행과 열의 구조적 비대칭성을 고려하여, 행은 수평 경계, 열은 수직 경계를 우선적으로 학습하도록 설계됐어요.
ConRTF는 D-FINE 기반의 실시간 감지기로 구현되며, 학습 과정에서만 작동하여 구조적으로 의미 있는 경계 정제를 유도하며 추론 파이프라인에는 영향을 주지 않아요.
PubTables-1M 데이터셋과 자체 데이터셋에서 기존 방식 대비 최대 1.6 GriTS 포인트 성능 향상을 보였으며, 2~3천 개의 테이블 데이터로도 높은 정확도를 유지하는 데이터 효율성도 입증했어요.