論文の概要: Impact of Iterative Fine-Tuning on Transcription Accuracy in Complex Historical Sanskrit Manuscripts
- arxiv url: http://arxiv.org/abs/2608.18696v1
- Date: Wed, 19 Aug 2026 08:50:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.34848
- Title: Impact of Iterative Fine-Tuning on Transcription Accuracy in Complex Historical Sanskrit Manuscripts
- Title（参考訳）: 複雑なサンスクリット写本の転写精度に及ぼす反復微調整の影響
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Digitizing the text from handwritten historical manuscripts is required to make them easily accessible, preservable, and to enable historical scholars to study them in new ways. Historical manuscripts, however, often exhibit complex heterogeneous layouts and non-standard appearance due to period-specific writing styles, page textures, camera noise, and other nuisance factors, making them difficult to perform OCR on. To tackle this challenge, we introduce a local traditional OCR pipeline, which can be iteratively fine-tuned on the target manuscript at the layout-level and the appearance-level. By adapting to the target manuscript distribution, the proposed Traditional OCR pipeline makes better predictions on subsequent pages, causing iterative reduction in human annotation effort, which is expensive and time-consuming as it requires historical domain expertise. Using this pipeline, we digitize text from three complex historical Sanskrit manuscripts and introduce a dataset with granular layout-level annotations, along with Unicode annotations in the standard PAGE-XML format. We demonstrate quantitative gains due to iterative fine-tuning of the proposed traditional OCR pipeline, and also benchmark the performance of leading Multi-Modal Large Language Models on the introduced Dataset. Code and dataset are available at: https://github.com/flame-cai/gnn-synthetic-layout-historical/.
- Abstract（参考訳）: 手書きの古写本からテキストをデジタル化することは、それらを容易にアクセスし、保存し、歴史学者が新しい方法で研究できるようにするために必要である。
しかし、歴史写本は、周期的な書風、ページテクスチャ、カメラノイズ、その他のニュアンス要因などにより、複雑な異質なレイアウトや非標準的な外観を示すことが多く、OCRの実行が困難である。
この課題に対処するために、我々は、レイアウトレベルと外観レベルの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しました。
提案する従来のOCRパイプラインは,目標とする原稿分布に適応することにより,後続のページでより良い予測を行う。
このパイプラインを用いて、3つの複雑なサンスクリット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、詳細な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パイプラインの繰り返し微調整による量的ゲインを示すとともに,導入した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。
コードとデータセットは、https://github.com/flame-cai/gnn-synthetic-layout-historical/で公開されている。
関連論文リスト
- 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) - Persian Pixel: A large-scale synthetic OCR dataset for Persian language [0.0]
本稿では,これらの課題に対処するための総合的なOCRデータセットであるペルシャ・Pixelを紹介する。
データセットはセンテンス、段落、そして700万ワードのペルシャ語コーパスから生成される全ページの文書レイアウトにまたがる。
生成パイプラインは、文脈的な文字の接合、位置的グリフの変種、ダイアクリティカルな配置、複数のペルシャ文字の代表的な書体など、ペルシャ文字の文字特性を忠実にモデル化する。
論文 参考訳（メタデータ） (2026-07-22T17:13:25Z) - A Text Recognition Dataset from Sahidic Coptic Ancient Manuscripts [43.31909972506497]
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。
論文 参考訳（メタデータ） (2026-06-14T19:26:42Z) - FP-THD: Full page transcription of historical documents [0.0]
本研究は, 特色を保存した史料の書き起こしのためのパイプラインを提案する。
我々は、レイアウト解析モデルを用いて過去のテキスト画像を分析し、テキスト行を抽出し、OCRモデルで処理し、完全にデジタル化されたページを生成する。
論文 参考訳（メタデータ） (2026-01-20T07:13:38Z) - ICDAR 2025 Competition on FEw-Shot Text line segmentation of ancient handwritten documents (FEST) [5.794214983347422]
FESTコンペティション (Few-Shot Text Line of Ancient Hand written Documents) の略。
参加者は、U-DIADS-TLデータセットにテキスト行をセグメント化できるシステムの開発に携わる。
データセットには、幅広いレイアウト、劣化レベル、非標準フォーマットを示す様々な古代の写本のコレクションがあり、現実世界の条件をよく反映している。
論文 参考訳（メタデータ） (2025-09-16T11:17:03Z) - 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) - Stylized Data-to-Text Generation: A Case Study in the E-Commerce Domain [53.22419717434372]
本稿では,特定のスタイルに従ってコヒーレントテキストを生成することを目的とした新しいタスク,すなわちスタイル化されたデータ・テキスト生成を提案する。
このタスクは、生成されたテキストのロジック、構造化されていないスタイル参照、バイアスのあるトレーニングサンプルという3つの課題のため、簡単ではない。
本稿では,論理計画型データ埋め込み,マスク型スタイル埋め込み,非バイアス型スタイリングテキスト生成の3つのコンポーネントからなる,新しいスタイル付きデータ・テキスト生成モデルであるStyleD2Tを提案する。
論文 参考訳（メタデータ） (2023-05-05T03:02:41Z) - Boosting Modern and Historical Handwritten Text Recognition with
Deformable Convolutions [52.250269529057014]
自由進化ページにおける手書き文字認識(HTR)は難しい画像理解課題である。
本稿では,手入力に応じて変形し,テキストの幾何学的変化に適応できる変形可能な畳み込みを導入することを提案する。
論文 参考訳（メタデータ） (2022-08-17T06:55:54Z) - Digital Editions as Distant Supervision for Layout Analysis of Printed
Books [76.29918490722902]
本稿では,この意味的マークアップを,レイアウト解析モデルのトレーニングと評価のための遠隔監視として利用する手法について述べる。
DTA(Deutsches Textarchiv)の50万ページにわたるモデルアーキテクチャの実験では、これらの領域レベルの評価手法と画素レベルのメトリクスとワードレベルのメトリクスとの高い相関性を見出した。
自己学習による精度向上の可能性と、DTAで訓練されたモデルが他の歴史書に一般化できる可能性について論じる。
論文 参考訳（メタデータ） (2021-12-23T16:51:53Z) - Rethinking Text Line Recognition Models [57.47147190119394]
2つのデコーダファミリー(コネクショニスト時間分類と変換器)と3つのエンコーダモジュール(双方向LSTM、自己認識、GRCL)を考える。
広く使用されているシーンと手書きテキストの公開データセットの精度とパフォーマンスを比較します。
より一般的なTransformerベースのモデルとは異なり、このアーキテクチャは任意の長さの入力を処理できる。
論文 参考訳（メタデータ） (2021-04-15T21:43:13Z) - Learning to Select Bi-Aspect Information for Document-Scale Text Content
Manipulation [50.01708049531156]
我々は、テキストスタイルの転送とは逆の文書スケールのテキストコンテンツ操作という、新しい実践的なタスクに焦点を当てる。
詳細は、入力は構造化されたレコードと、別のレコードセットを記述するための参照テキストのセットである。
出力は、ソースレコードセットの部分的内容と参照の書き込みスタイルを正確に記述した要約である。
論文 参考訳（メタデータ） (2020-02-24T12:52:10Z)
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。