論文の概要: A Text Recognition Dataset from Sahidic Coptic Ancient Manuscripts

• arxiv url: http://arxiv.org/abs/2606.15987v1
• Date: Sun, 14 Jun 2026 19:26:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.978461
• Title: A Text Recognition Dataset from Sahidic Coptic Ancient Manuscripts
• Title（参考訳）: サヒド朝の古写本からのテキスト認識データセット
• Abstract要約: SCAM (Shidic Coptic Ancient Manuscripts) は、絶滅したSahidic Coptic 方言で書かれたデジタル化された古代の写本から構築された新しいラインレベルのデータセットである。 SCAMは、サヒド・コプト(英語版)の資源が不足し、その非共通アルファベット、方言特有のダイアクリティカルティクス(英語版)が不足しているため、言語学的に重大な課題を提起している。 我々は、異なるパラダイムに基づいて、いくつかの最先端のアプローチをベンチマークし、この設定における制限と強みを強調した。
• 参考スコア（独自算出の注目度）: 43.31909972506497
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we target Handwritten Text Recognition (HTR) in low-resource scenarios, which arise from underrepresented languages, rare scripts, and degraded visual conditions typical of historical documents. We introduce SCAM (Sahidic Coptic Ancient Manuscripts), a new line-level dataset built from digitized ancient manuscripts written in the extinct Sahidic Coptic dialect. The dataset reflects a realistic and challenging setting, as it combines heterogeneous acquisition conditions across libraries with typical manuscript degradations such as ink fading, bleed-through, and material deterioration. In addition to visual complexity, SCAM poses significant linguistic challenges due to the scarcity of resources for Sahidic Coptic, its uncommon alphabet, and dialect-specific diacritics. To support research in low-resource HTR, we benchmark several state-of-the-art approaches based on different paradigms, highlighting their limitations and strengths in this setting. Our results underline the gap between current HTR performance on well-resourced modern scripts and historically grounded, low-resource scenarios, thus providing a reference point for future developments.
• Abstract（参考訳）: 本研究は,低リソースシナリオにおける手書き文字認識(HTR)を対象とし,未表現言語や稀なスクリプト,歴史的文書に典型的な劣化した視覚的条件から生じる。 SCAM (Shidic Coptic Ancient Manuscripts) は、絶滅したSahidic Coptic 方言で書かれたデジタル化された古代の写本から構築された新しいラインレベルのデータセットである。 このデータセットは、ライブラリ全体にわたる異質な取得条件と、インクの消耗、出血スルー、材料劣化といった典型的な原稿劣化を組み合わせ、現実的で困難な設定を反映している。 視覚的複雑さに加えて、SCAMは、サヒド・コプト(英語版)の資源が不足し、その一般的でないアルファベット、方言特有のダイアクリティカルティクス(英語版)が不足しているため、言語学的に重大な課題を提起している。 低リソースHTRの研究を支援するため、異なるパラダイムに基づくいくつかの最先端のアプローチをベンチマークし、この設定における制限と強みを強調した。 この結果から,既存のHTRの性能と,歴史的に基盤を置き,低リソースのシナリオとのギャップを浮き彫りにし,今後の発展に向けての基準点を提供することができた。

関連論文リスト

• Ancient-Bench: A Comprehensive Multi-millennial, Multi-medium, and Multi-script Benchmark for Ancient Chinese Artifact Text Recognition [53.300725050880885]
  古代ベンチは古代中国の古文書認識のための2,700枚の画像のベンチマークである。 マルチミレニアル(3000年にわたるキャラクターの進化)、マルチメートル(9つのアーティファクトカテゴリを含む)、マルチスクリプト(7つの歴史的なスクリプト形式を包含する)の3つの次元がある。
  論文  参考訳（メタデータ） (2026-08-27T14:22:12Z)
• Impact of Iterative Fine-Tuning on Transcription Accuracy in Complex Historical Sanskrit Manuscripts [0.0]
  我々は、レイアウトレベルと外観レベルにおいて、ターゲット原稿に反復的に微調整できる、従来のOCRパイプラインを導入する。 我々は3つの複雑な歴史写本からテキストをデジタル化し、標準のPAGE-XMLフォーマットのUnicodeアノテーションとともに、粒度の細かいレイアウトレベルのアノテーションを持つデータセットを導入します。 提案する従来のOCRパイプラインの反復的な微調整による定量的なゲインを示すとともに,導入データセット上でのマルチモーダル大規模言語モデルの性能をベンチマークする。
  論文  参考訳（メタデータ） (2026-08-19T08:50:45Z)
• TongGuOCR: A Layout-Aware and Token-Augmented OCR MLLM for Chinese Historical Documents [50.64307290680222]
  TongGuOCRは、中国古文書のOCRのためのレイアウト対応およびトークン拡張型マルチモーダル言語モデル(MLLM)である。 TongGuOCRは93.76 ARを達成し、NEDを10.43から6.15に、RO-EDを7.53から3.49に下げる。
  論文  参考訳（メタデータ） (2026-08-08T04:50:00Z)
• Explainable Disentangled Representation Learning for Generalizable Authorship Attribution in the Era of Generative AI [70.05655131235999]
  EAVAE(Explainable Authorship Variational Autoencoder)は、コンテンツからスタイルを明示的に切り離す新しいフレームワークである。 ディスタングルメントは、新規な差別者を通じて実施される。 EAVAEは、AI生成テキスト検出のためのM4データセットよりも、数ショットの学習に優れています。
  論文  参考訳（メタデータ） (2026-04-23T05:34:20Z)
• Structure-Aware Text Recognition for Ancient Greek Critical Editions [16.43811675687955]
  本稿では,古代ギリシアの批判版に対する構造対応テキスト認識について検討する。 TEI/XMLソースから生成される185,000ページ画像の大規模な合成コーパスを,タイポグラフィとレイアウトの変動を制御して導入する。 ゼロショット型と微調整型の両方の条件下で,最先端の3つのビジュアル言語モデルを評価する。
  論文  参考訳（メタデータ） (2026-03-03T09:42:43Z)
• PoSh: Using Scene Graphs To Guide LLMs-as-a-Judge For Detailed Image Descriptions [55.95282725491425]
  PoShは、LLMs-as-a-Judgeをガイドするために、シーングラフを構造化ルーリックとして使用する詳細な画像記述のメトリクスである。 PoShはレプリカ可能で、解釈可能で、既存のメトリクスよりも人間のレーダのプロキシが優れている。 我々は,オープンウェイトな選択肢よりも,DOCENTにおける人間の判断とPoShの相関が強いことを示す。
  論文  参考訳（メタデータ） (2025-10-21T20:30:20Z)
• PLATTER: A Page-Level Handwritten Text Recognition System for Indic Scripts [20.394597266150534]
  我々はPage-Level hAndwriTTen TExt Recognition(PLATTER)のエンドツーエンドフレームワークを提案する。 第2に,言語に依存しないHTDモデルの性能測定にPLATTERを用いることを実証する。 最後に、厳密にキュレートされたページレベルのインデックス手書きOCRデータセットである、手書きのIndic Scripts (CHIPS) のコーパスをリリースする。
  論文  参考訳（メタデータ） (2025-02-10T05:50:26Z)
• Discourse Features Enhance Detection of Document-Level Machine-Generated Content [53.41994768824785]
  機械生成コンテンツは、学術プラジャリズムや誤報の拡散といった課題を提起する。 既存のMGC検出器は、しばしば表面レベルの情報のみに焦点を当て、暗黙的かつ構造的な特徴を見渡す。 これらの課題を克服するために、新しい方法論とデータセットを導入します。
  論文  参考訳（メタデータ） (2024-12-17T08:47:41Z)
• Reference-Based Post-OCR Processing with LLM for Precise Diacritic Text in Historical Document Recognition [1.6941039309214678]
  コンテンツ中心の電子書籍を参照ベースとして活用し、不完全なOCR生成テキストを訂正する手法を提案する。 この技術は、ダイアクリティカル言語のための高精度な擬似ページ・ツー・ページラベルを生成する。 パイプラインは、古いドキュメントから様々な種類のノイズを排除し、欠落した文字、単語、乱れたシーケンスといった問題に対処する。
  論文  参考訳（メタデータ） (2024-10-17T08:05:02Z)
• Exploring Precision and Recall to assess the quality and diversity of LLMs [82.21278402856079]
  我々はtextscLlama-2 や textscMistral のような大規模言語モデル (LLM) のための新しい評価フレームワークを提案する。 このアプローチにより、コーパスの整合を必要とせず、生成したテキストの品質と多様性を微妙に評価できる。
  論文  参考訳（メタデータ） (2024-02-16T13:53:26Z)
• PHD: Pixel-Based Language Modeling of Historical Documents [55.75201940642297]
  実史文書に類似した合成スキャンを生成する新しい手法を提案する。 我々は,1700-1900年代における合成スキャンと実際の歴史新聞を組み合わせて,我々のモデルであるPHDを事前訓練した。 我々は、この領域におけるその有用性を強調しながら、我々のモデルを歴史的QAタスクに適用することに成功しました。
  論文  参考訳（メタデータ） (2023-10-22T08:45:48Z)
• MAGE: Machine-generated Text Detection in the Wild [82.70561073277801]
  大規模言語モデル(LLM)は人間レベルのテキスト生成を実現し、効果的なAI生成テキスト検出の必要性を強調している。 我々は、異なるLLMによって生成される多様な人文やテキストからテキストを収集することで、包括的なテストベッドを構築する。 問題にもかかわらず、トップパフォーマンス検出器は、新しいLCMによって生成された86.54%のドメイン外のテキストを識別することができ、アプリケーションシナリオの実現可能性を示している。
  論文  参考訳（メタデータ） (2023-05-22T17:13:29Z)
• The LAM Dataset: A Novel Benchmark for Line-Level Handwritten Text Recognition [40.20527158935902]
  手書き文字認識(HTR)は、コンピュータビジョンと自然言語処理の交差点におけるオープンな問題である。 イタリア古写本のラインレベルの大規模なHTRデータセットであるLudocio Antonio Muratoriデータセットを60年以上にわたって1人の著者が編集した。
  論文  参考訳（メタデータ） (2022-08-16T11:44:16Z)
• One-shot Compositional Data Generation for Low Resource Handwritten Text Recognition [10.473427493876422]
  低リソース手書きテキスト認識は、わずかな注釈付きデータと非常に限られた言語情報のために難しい問題です。 本稿では,ベイズプログラム学習に基づくデータ生成手法を用いてこの問題に対処する。 大量の注釈付き画像を必要とする従来型の手法とは対照的に,各記号のサンプルを1つだけ,所望のアルファベットから生成することが可能である。
  論文  参考訳（メタデータ） (2021-05-11T18:53:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。