論文の概要: UniLipi: A Unified Multi-Script OCR for Historical Indic Manuscripts
- arxiv url: http://arxiv.org/abs/2608.28195v1
- Date: Fri, 28 Aug 2026 11:08:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.297611
- Title: UniLipi: A Unified Multi-Script OCR for Historical Indic Manuscripts
- Title（参考訳）: UniLipi: 歴史文書のための統一マルチスクリプトOCR
- Abstract要約: 1つのフレームワーク内で13のIndicスクリプトを共同でトレーニングした、手書きのIndic原稿のための統一型マルチスクリプトOCRモデルUniLipiを提案する。
UniLipiは、ライン幾何学の極端な変化、ライン長の大きな変化、穴、汚れ、イラストのような非テキストの原稿エンティティによって引き起こされる部分的な中断など、現実的な原稿条件を直接処理する。
- 参考スコア（独自算出の注目度）: 7.710824610855653
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Optical character recognition (OCR) for handwritten Indic manuscripts is essential for large-scale digitization and computational access to manuscript heritage. However, existing approaches are typically developed for one script at a time and require substantial script-specific customization. This limits scalability and practical deployment across diverse collections. We present UniLipi, a unified multi-script OCR model for handwritten Indic manuscripts trained jointly across 13 Indic scripts within a single framework. UniLipi directly handles realistic manuscript conditions, including extreme variation in line geometry, large variation in line length, and partial interruptions caused by non-textual manuscript entities such as holes, stains, or pictorial illustrations. To operate effectively under ultra low-resource conditions, the model leverages script-aware synthetic manuscript data generation, substantially reducing reliance on large volumes of real annotated data. Beyond historical manuscripts, we show that UniLipi serves as an effective foundational pretrained model. Specifically, its learned representations enable good OCR performance for contemporary Indic handwriting and extend to several non-Indic scripts, including Tibetan, Italian, Latin, and Chinese scripts. In addition to transcription, UniLipi predicts script identity and per-line native character counts, supporting practical manuscript cataloging workflows.
- Abstract（参考訳）: 手書きインディア原稿の光学文字認識(OCR)は、大規模なデジタル化と、原稿遺産への計算アクセスに不可欠である。
しかし、既存のアプローチは典型的には1つのスクリプトに対して開発され、スクリプト固有のカスタマイズが必要である。
これにより、さまざまなコレクションにまたがるスケーラビリティと実践的なデプロイメントが制限される。
1つのフレームワーク内で13のIndicスクリプトを共同でトレーニングした、手書きのIndic原稿のための統一型マルチスクリプトOCRモデルUniLipiを提案する。
UniLipiは、ライン幾何学の極端な変化、ライン長の大きな変化、穴、汚れ、イラストのような非テキストの原稿エンティティによって引き起こされる部分的な中断など、現実的な原稿条件を直接処理する。
超低リソース条件下で効果的に動作させるため、本モデルはスクリプト対応の合成原稿データ生成を活用し、実際の注釈付き大量のデータへの依存を大幅に低減する。
歴史写本以外にも、UniLipiが効果的な基礎事前訓練モデルとして機能していることを示す。
具体的には、その学習された表現は、現代のインド人手書きの優れたOCRパフォーマンスを可能にし、チベット語、イタリア語、ラテン語、中国語の文字を含むいくつかの非インド人文字に拡張する。
書き起こしに加えて、UniLipiはスクリプトのアイデンティティと行ごとのネイティブ文字数を予測する。
関連論文リスト
- HandwritingAgent: Language-Driven Handwriting Synthesis in Scalable Vector Space [12.612154268994184]
HandwritingAgentは、言語駆動のエージェントで、スタイル固有のトレーニングを必要とせずに、SVGフォーマットで自然な手書きシーケンスを直接合成できる。
模倣、認識、多言語手書き合成、複雑な手書き数学や科学表現の生成にまたがる多様な手書き作業の実験は、性能の大幅な向上を示している。
論文 参考訳（メタデータ） (2026-06-17T08:02:19Z) - GlotOCR Bench: OCR Models Still Struggle Beyond a Handful of Unicode Scripts [58.92151016423978]
我々は100以上のUnicodeスクリプトでOCRを評価する総合ベンチマークであるGlotOCR Benchを紹介する。
我々のベンチマークは、実際の多言語テキストからレンダリングされたクリーンで劣化した画像の変種で構成されている。
オープンウェイトでプロプライエタリなビジョン言語モデルを幅広く評価した結果,ほとんどの場合,10文字未満でうまく動作することがわかった。
論文 参考訳（メタデータ） (2026-04-14T17:12:41Z) - Zero-Shot Synthetic-to-Real Handwritten Text Recognition via Task Analogies [60.84720484975815]
手書きテキスト認識(HTR)モデルは、しばしば実際のテキストに一般化するのに苦労する。
完全ゼロショット合成-実一般化設定に取り組む。
提案手法は,1つ以上のソース言語において,合成言語から実際の手書き言語に移行する際に,モデルパラメータがどのように変化するかを学習する。
論文 参考訳（メタデータ） (2026-04-08T07:33:31Z) - DohaScript: A Large-Scale Multi-Writer Dataset for Continuous Handwritten Hindi Text [1.299941371793082]
531名のコントリビュータから収集した手書きHindiテキストの大規模マルチライターデータセットであるDohaScriptを紹介した。
このデータセットは平行なスタイリスティックなコーパスとして設計されており、すべてのライターが6つの伝統的なヒンディー教のドーハ(カップレット)の同じ固定セットを転写する。
DohaScriptは、低リソースのスクリプト設定で連続手書きDevanagariテキストの研究を進めるための標準化され再現可能なベンチマークとして機能することを意図している。
論文 参考訳（メタデータ） (2026-02-20T09:25:14Z) - Linear Script Representations in Speech Foundation Models Enable Zero-Shot Transliteration [70.84108518476744]
我々は,スクリプトが多言語音声モデルのアクティベーション空間に線形に符号化されていることを示し,推論時にアクティベーションを変更することで,出力スクリプトを直接制御できることを示した。
本稿では,Whisperの全モデルサイズにまたがる競合性能を観測し,音声認識出力のスクリプトに対するポストホック制御を実現する手法を提案する。
論文 参考訳（メタデータ） (2026-01-06T10:45:04Z) - Handwriting Recognition in Historical Documents with Multimodal LLM [0.0]
マルチモーダル言語モデルは、ショットプロンプトが少なく、OCRおよびコンピュータビジョンタスクの実行に有効であることを示した。
本稿では,ジェミニが作成した手書き文書の書き起こしの精度を,アートトランスフォーマーに基づく手法の現況に対して評価する。
論文 参考訳（メタデータ） (2024-10-31T15:32:14Z) - Exploring the Role of Transliteration in In-Context Learning for Low-resource Languages Written in Non-Latin Scripts [50.40191599304911]
非ラテン文字で書かれた低リソース言語に対するLLMの性能向上にも効果があるか検討する。
本稿では,(1) の原文,(2) ラテン文字,(3) の両文を対象とする3つのプロンプトテンプレートを提案する。
本研究の結果から,翻訳の有効性はタスクタイプやモデルサイズによって異なることが明らかとなった。
論文 参考訳（メタデータ） (2024-07-02T14:51:20Z) - MetaScript: Few-Shot Handwritten Chinese Content Generation via
Generative Adversarial Networks [15.037121719502606]
漢字のデジタル表現における個人的手書きスタイルの存在感の低下に対処する新しいコンテンツ生成システムであるMetaScriptを提案する。
本手法は,個人固有の手書きスタイルを保ち,デジタルタイピングの効率を維持できる漢字を生成するために,数ショット学習の力を利用する。
論文 参考訳（メタデータ） (2023-12-25T17:31:19Z) - Beyond Arabic: Software for Perso-Arabic Script Manipulation [67.31374614549237]
ペルソ・アラビア文字を使用する言語の書き起こしシステムを操作するための有限状態トランスデューサ(FST)コンポーネントとそれに対応するユーティリティのセットを提供する。
ライブラリはまた、単純なFSTベースのロマン化と文字変換も提供する。
論文 参考訳（メタデータ） (2023-01-26T20:37:03Z) - Letter-level Online Writer Identification [86.13203975836556]
我々は文字レベルのオンラインライタIDという新たな問題に焦点をあてる。
主な課題は、しばしば異なるスタイルで手紙を書くことである。
我々はこの問題をオンライン書記スタイルのばらつき(Var-O-Styles)と呼ぶ。
論文 参考訳（メタデータ） (2021-12-06T07:21:53Z)
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。