문서 이해(Document Understanding) 분야에서 텍스트 검출(CRAFT 계열)과 테이블 구조 검출은 일반적으로 별도의 모델로 수행되어 왔으며, 이로 인해 전처리·타일링·특성 추출·후처리 과정이 반복되는 비효율이 존재한다. 본 연구에서는 이러한 한계를 극복하기 위해 CRAFT 기반의 단일 4클래스 분할 모델 RA-TI (Region?Affinity?Table?Image) CRAFT를 제안한다. 제안 모델은 기존 CRAFT의 2클래스 출력(text, affinity)을 4클래스(text, affinity, table, image)로 확장하고, 입력을 RGB 대신 gradient·gray·high-pass 3채널로 구성하였다. 네트워크는 VGG16-BN 백본과 U-Net 디코더 기반으로 설계되어, 단일 추론(one-pass)으로 텍스트·표·이미지·공백 영역을 동시에 분할할 수 있다. 실험 결과, 클래스별 Precision, Recall, F1 Score, IoU, 등 주요 지표에서 기존 CRAFT 및 분리형 구조 대비 성능 향상이 확인되었으며, 실제 문서 처리 환경에서도 실용적 수준의 성능을 보였다.