표 구조 인식 (Table structure recognition, TSR)은 표 수준의 일관성 (행/열 개수, 헤더, 병합된 셀)과 정밀한 구분자 위치 파악 (separator localization)을 모두 필요로 합니다. 본 논문에서는 (i) 전역적 추론 (global reasoning)을 위한 경량 Tiny Recursive Module (TRM)과 (ii) 행과 열을 따라 장거리 의존성 (long-range dependencies)을 포착하는 축 방향 1D Transformer 인코더를 결합하여, 자기회귀적 (autoregressive) HTML 디코딩을 피하는 그리드 중심의 TSR 모델인 FastTab을 소개합니다. 이 모델은 행/열 개수, 헤더 행, 구분자를 예측하여 그리드를 구축한 다음, ROI-aligned 셀 특징을 사용하여 행 병합 (rowspan) 및 열 병합 (colspan)을 추론합니다. 4개의 벤치마크 (PubTabNet, FinTabNet, PubTables-1M, SciTSR)에 걸쳐 FastTab은 낮은 추론 지연 시간 (low-latency inference)으로 작동하면서도 경쟁력 있는 구조 복구 성능을 달성합니다. 나아가 픽셀 수준의 익명화 (anonymisation) 하에서의 강건성 (robustness)을 연구하고, 카메라로 촬영된 문서의 곡선형 구분자 (curved separators)에 대한 확장성을 보여줍니다. 소스 코드는 https://github.com/hamdilaziz/FastTab 에 공개될 예정입니다.