論文の概要: RefLAM: A Reference-Grounded Line Annotation Pipeline for Historical Arabic Manuscripts
- arxiv url: http://arxiv.org/abs/2608.25140v1
- Date: Tue, 25 Aug 2026 20:46:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.441434
- Title: RefLAM: A Reference-Grounded Line Annotation Pipeline for Historical Arabic Manuscripts
- Title（参考訳）: RefLAM: 歴史的アラビア写本のためのリファレンス・グラウンドラインアノテーションパイプライン
- Abstract要約: RefLAMは、原稿のページイメージとクリーンな書き起こしを検証されたラインレベルの真実に変換するパイプラインである。
RefLAMは、構造化OCRのためのマルチモーダル大言語モデル(MLLM)とディープラーニングページセグメンテーションモデルを結合する。
AraMS-28k:14の歴史的アラビア写本、3,043ページ、27,971のメインテキスト、629のマージンラインアノテーションをリリースします。
- 参考スコア（独自算出の注目度）: 1.583691353033079
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Existing approaches to building line-level Arabic handwritten-text-recognition (HTR) training data either rely on fully manual annotation, which does not scale, or on automatic OCR-to-reference alignment methods not yet extended to multi-script, two-zone (main-plus-margin) manuscript layouts with a provable correctness guarantee. We present RefLAM (Reference-grounded Line Annotation for Manuscripts), a pipeline converting manuscript page images and clean transcriptions into validated, line-level ground truth without sacrificing human oversight. RefLAM couples a deep-learning page-segmentation model with a multimodal large language model (MLLM) for structured OCR and a diacritic-agnostic fuzzy alignment engine that grounds each OCR line in a contiguous span of the reference text, with a character-level confidence score in $[0,100]$. A perfect score is provably equivalent to character-for-character identity of the normalised strings (the Confidence-100 rule), verified with no counterexample across the released corpus. A reviewer can thus trust a perfect score, confirming most lines at a glance rather than retyping them, so annotation becomes triaged, with attention concentrated on uncertain alignments. Across 7 fully page-validated books we measured a 75$\times$ throughput gain over manual annotation (3,000 vs. 40 lines/hr); applying the same guarantee to 7 further books, we retained 16,533 confidence-100 main-text lines within one week, excluding sub-100 lines rather than manually correcting them. Using RefLAM, we release AraMS-28k: 14 historical Arabic manuscript books, 3,043 pages, and 27,971 main-text and 629 margin-line annotations with bounding boxes, layout labels, and insertion anchors for 191 margin entries (30.4%). We also finetune Muharaf-pretrained baselines (including HATFormer) on AraMS-28k and report CER results confirming its practical utility for downstream HTR training.
- Abstract（参考訳）: ラインレベルのアラビア語手書き文字認識(HTR)トレーニングデータを構築するための既存のアプローチは、スケールしない完全な手書きのアノテーションや、証明可能な正当性を保証する2ゾーンの原稿レイアウトであるマルチスクリプトにまだ拡張されていないOCR-to-referenceアライメントメソッドに依存している。
本稿では,RefLAM(Reference-grounded Line Annotation for Manuscripts)について述べる。
RefLAMは、構造化OCRのためのマルチモーダル大言語モデル(MLLM)と、参照テキストの連続したスパンで各OCRラインをグラウンドするダイアグラム非依存ファジィアライメントエンジンと、文字レベルの信頼スコアが[0,100]$のディープラーニングページセグメンテーションモデルとを結合する。
完全スコアは、正規化された文字列(Confidence-100ルール)の文字とキャラクタの同一性(英語版)と同値であり、解放されたコーパスに反例がない。
したがって、レビュアーは完全なスコアを信頼でき、リタイピングするよりも、ほとんどの行を一目で確認できるので、アノテーションはトリアージされ、不確実なアライメントに注意が集中する。
7冊の完全なページバリデーションされた本で、手作業によるアノテーションよりも75$\times$スループット向上(3,000対40行/hr)を測定しました。
RefLAMを使って、AraMS-28k:14の歴史的アラビア写本、3,043ページ、27,971のメインテキストと629のマージンラインアノテーション、バウンディングボックス、レイアウトラベル、191のマージンエントリ(30.4%)のインサートアンカーをリリースします。
また、AraMS-28k上でMuharaf-pretrained baselines(HATFormerを含む)を微調整し、CERの結果を報告し、下流HTRトレーニングの実用性を確認した。
関連論文リスト
- A Corpus-Aligned Uthmani-to-Standard Quranic Word Mapping and a Deterministic Recitation Validator [0.0]
クラーニック文字は2つの正書法で配布されており、すべての印刷されたムシャフで使用されるウスマニ文字と、すべての主要なアラビア語のNLPツールが構築される標準アラビア語形式(Imla'i)である。
我々は2,290対のコーパス整列 Uthmani-to-Standard ワードマッピングを作成し,完全な6,236進法を両正書法に整列させて構築した。
我々は,4階層の逆マッチング探索と単語エラー率グレードフィードバックを用いた,決定論的でLLMのないクラニック・リサイクリング・バリケータを構築した。
論文 参考訳（メタデータ） (2026-09-14T03:20:42Z) - AraMS-28k: The Largest Publicly Released Line-Level Dataset of Historical Arabic Manuscripts with Margin and Insertion-Anchor Annotations [1.583691353033079]
AraMS-28kは、本物のアラビア文字写本のラインレベルのデータセットとしては最大である。
14冊の本、3,043ページ、注釈付きテキスト28,600行からなる。
データセットはリファレンスグラウンドのアノテーションパイプラインであるRefLAMで構築された。
論文 参考訳（メタデータ） (2026-08-27T10:16:41Z) - Reading Order Inference for Complex Document Layouts [0.784573461502689]
本稿では,非モデル化されたテキスト・アズ・ア・レポートの精度を評価する手法を提案する。
非正方形・非正方形テキストの標準Grossainariaレイアウトと比較した。
論文 参考訳（メタデータ） (2026-07-01T14:52:00Z) - DocAtlas: Multilingual Document Understanding Across 80+ Languages [58.715440331861295]
本稿では,82言語を対象とした高忠実度OCRデータセットとベンチマークを構築するフレームワークDocAtlasを紹介する。
我々のデュアルパイプライン、ネイティブDOCX文書の微分レンダリング、左右スクリプトの合成ベース生成は正確な構造アノテーションを生成する。
論文 参考訳（メタデータ） (2026-05-12T18:09:38Z) - How Far Is Document Parsing from Solved? PureDocBench: A Source-TraceableBenchmark across Clean, Degraded, and Real-World Settings [56.70440596502351]
昨年は20以上のオープンドキュメントパースモデルが見られたが、ベンチマークはほぼOmniDocBenchにのみ依存している。
HTML/CSSのドキュメントイメージをレンダリングするベンチマークであるPureDocBenchは、10のドメイン、66ページ、1,475ページをカバーしています。
論文 参考訳（メタデータ） (2026-05-08T09:30:31Z) - Different Strokes for Different Folks: Writer Identification for Historical Arabic Manuscripts [0.5599792629509229]
手書きのアラビア語写本はアラブ世界の知的・文化的遺産を保存している。
歴史的アラビア写本のムハラフデータセットを用いて,個々の線画像から著者の識別を評価する。
著者識別のための注意機構を備えた畳み込みニューラルネットワーク(CNN)モデルを提案する。
論文 参考訳（メタデータ） (2026-04-24T12:55:16Z) - HoWToBench: Holistic Evaluation for LLM's Capability in Human-level Writing using Tree of Writing [84.84959282480641]
テキスト評価において,LLM-as-a-judgeがすべてのサブフィーチャを集約する場合にしばしば発生する暗黙の矛盾を解決するために,Tree-of-Writing(ToW)を提案する。
また、3つのタスクカテゴリにまたがる12のジャンルと1302の命令を含む大規模な中国語書記ベンチマークであるHowToBenchについても紹介する。
論文 参考訳（メタデータ） (2026-04-21T04:26:39Z) - RATE: Reviewer Profiling and Annotation-free Training for Expertise Ranking in Peer Review Systems [6.083097040417168]
LRベンチ(LR-bench)は,2024-2025のAI/NLP原稿を5段階の自己評価親和性評価で評価したベンチマークである。
また、レビュアーの最近の出版物をコンパクトなキーワードベースのプロファイルに抽出するレビュアー中心のランキングフレームワークであるRATEを提案する。
我々の手法は、常に最先端のパフォーマンスを達成し、明確なマージンで強力な埋め込みベースラインを上回ります。
論文 参考訳（メタデータ） (2026-01-27T14:13:46Z) - CTC Transcription Alignment of the Bullinger Letters: Automatic Improvement of Annotation Quality [0.28617987842985093]
歴史的文書に対する手書き文字認識は、手書きの可変性、劣化ソース、レイアウト対応アノテーションの制限により、依然として困難である。
我々は,CTCの損失を学習した動的プログラミングとモデル出力確率を用いて,全文字とテキスト行画像とをマッチングするCTCアライメントアルゴリズムに基づく自己学習手法を提案する。
提案手法は性能(例えば、PyLaia の CER の 1.1 パーセント)を改善し、アライメント精度を向上させる。
論文 参考訳（メタデータ） (2025-08-11T12:18:41Z) - Unblocking Fine-Grained Evaluation of Detailed Captions: An Explaining AutoRater and Critic-and-Revise Pipeline [58.832237984587664]
VNLI-Critiqueは,自動文レベルの事実性分類と批判生成のためのモデルである。
1) VNLI-CritiqueはM-HalDetectベンチマークの最先端性能によって検証された堅牢な一般化を実証し、(2) VNLI-CritiqueによるDOCCI-Critique向けAutoRaterは信頼性の高いVLMランキングを提供し、人間の事実性判断と優れた整合性を示す。
論文 参考訳（メタデータ） (2025-06-09T10:57:26Z) - REInstruct: Building Instruction Data from Unlabeled Corpus [49.82314244648043]
本稿では,ラベルのないコーパスから命令データを自動的に構築するREInstructを提案する。
Llama-7bをREInstructから3kシードデータと32k合成データの組み合わせで訓練することにより、微細調整されたモデルがAlpacaEvalのリーダーボード上でテキストダヴィンチ003に対して65.41%の勝利率を達成する。
論文 参考訳（メタデータ） (2024-08-20T09:05:03Z) - End-to-End Page-Level Assessment of Handwritten Text Recognition [69.55992406968495]
HTRシステムは、文書のエンドツーエンドのページレベルの書き起こしに直面している。
標準メトリクスは、現れる可能性のある不整合を考慮していない。
本稿では、転写精度とROの良さを別々に検討する2つの評価法を提案する。
論文 参考訳（メタデータ） (2023-01-14T15:43:07Z) - BN-HTRd: A Benchmark Dataset for Document Level Offline Bangla
Handwritten Text Recognition (HTR) and Line Segmentation [0.0]
我々は,単語,行,文書レベルのアノテーションからなるBanglaスクリプトの画像から,オフライン手書き文字認識(HTR)のための新しいデータセットを提案する。
BN-HTRdデータセットはBBC Bangla News corpusに基づいている。
私たちのデータセットには、約150の異なる著者によって作成された手書きページの788のイメージが含まれています。
論文 参考訳（メタデータ） (2022-05-29T22:56:26Z)
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。