論文の概要: DDVR-Net: Degradation-Aware Decoupling and Visibility-Guided Restoration for Historical Document Recognition
- arxiv url: http://arxiv.org/abs/2610.16956v1
- Date: Mon, 12 Oct 2026 15:24:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-18 04:02:12.318847
- Title: DDVR-Net: Degradation-Aware Decoupling and Visibility-Guided Restoration for Historical Document Recognition
- Title（参考訳）: DDVR-Net: 歴史的文書認識のための分解型デカップリングと可視性誘導型復元
- Abstract要約: 本稿では,歴史的文書認識のための分解対応デカップリングと可視性誘導型復元フレームワークDDVR-Netを提案する。
DDVR-Netは、固有のグリフ構造を特徴レベルで物理的破壊から切り離し、局所的な可視性を予測し、キャラクタの信頼性を推定する。
チベット語、モンゴル語、ウイグル語のスクリプトを187000の文書ペアでカバーする低リソース多言語ベンチマークを構築した。
- 参考スコア（独自算出の注目度）: 2.363160810189787
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Historical document analysis is crucial for cultural heritage preservation and low-resource language digitization. However, real historical documents often suffer from severe degradation, such as ink erosion and structural damage, causing mixed-visibility character sequences. Conventional OCR systems struggle in such evidence-limited scenarios, while contextual language models may over-correct visually clear characters. To address these challenges, we propose DDVR-Net, a degradation-aware decoupling and visibility-guided restoration framework for historical document recognition. DDVR-Net decouples intrinsic glyph structures from physical corruption at the feature level and predicts local visibility to estimate character reliability. A contextual decoder is selectively activated through a visibility-guided gate, restoring degraded characters while preserving clear visual recognition. Furthermore, we construct a low-resource multilingual benchmark covering Tibetan, Mongolian, and Uyghur scripts with 187000 document pairs, combining large-scale synthetic data and progressive training with real-world annotations to reduce the synthetic-to-real gap. Extensive experiments demonstrate that DDVR-Net consistently outperforms existing methods across three languages and diverse reading orders, providing an effective framework and benchmark for low-resource historical document recognition. Code and Benchmark: https://github.com/Shajiu/DDVR-Net
- Abstract（参考訳）: 歴史的文書分析は文化遺産保存と低資源言語デジタル化に不可欠である。
しかし、実際の史料は、インクの浸食や構造的な損傷などの深刻な劣化に悩まされ、混在する文字配列が引き起こされることが多い。
従来のOCRシステムはこのようなエビデンスに制限されたシナリオで苦労するが、文脈言語モデルは過度に正確な視覚的明確な文字を持つ。
これらの課題に対処するために、歴史的文書認識のための分解対応デカップリングと可視性誘導型復元フレームワークDDVR-Netを提案する。
DDVR-Netは、固有のグリフ構造を特徴レベルで物理的破壊から切り離し、局所的な可視性を予測し、キャラクタの信頼性を推定する。
可視性誘導ゲートを介してコンテキストデコーダを選択的に活性化し、鮮明な視覚認識を維持しながら劣化した文字を復元する。
さらに,チベット語,モンゴル語,ウイグル語のスクリプトを187000の文書ペアでカバーし,大規模合成データと実世界のアノテーションによるプログレッシブトレーニングを組み合わせることで,合成と現実のギャップを減らした低リソース多言語ベンチマークを構築した。
DDVR-Netは3つの言語にまたがる既存の手法と多様な読解順序を一貫して上回り、低リソースの歴史的文書認識のための効果的なフレームワークとベンチマークを提供する。
コードとベンチマーク:https://github.com/Shajiu/DDVR-Net
関連論文リスト
- State-Conditioned Visual Evidence Retrieval for Fine-Grained Perception in Document Vision-Language Models [49.57973975600996]
文書解析は、きめ細かい視覚知覚に強い要求を与える。
既存の視覚言語モデル(VLM)に基づく解析手法は、グローバルに圧縮された視覚トークンに依存している。
自己回帰復号における状態条件付き視覚的エビデンス検索(SCVER)として認識を定式化する。
論文 参考訳（メタデータ） (2026-08-27T12:56:45Z) - 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) - When Low CER is Not Enough: An Analysis of Hallucinations in Vision-Language OCR Systems on Historical Uruguayan Documents [6.6457932580691015]
VLM(Vision-Language Models)は、従来のOCRシステムに代わる強力な代替手段として登場した。
本研究では,従来のOCRシステムとVLMに基づくアプローチをBerruttiデータセット上でベンチマークする。
論文 参考訳（メタデータ） (2026-07-27T07:19:00Z) - 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) - DocRetriever: A Plug-and-Play Framework for Multimodal Document Retrieval with Comprehensive Benchmark [48.84943754804533]
マルチモーダル文書には、テーブル、フィギュア、レイアウトなど、さまざまな要素が含まれている。
現在のアプローチでは、高精度の検索を実現するために、高密度の視覚埋め込みモデルと教師付きリランカを組み合わせるのが一般的である。
本稿では,レイアウトを意識したスパース埋め込み技術による視覚検索を支援するプラグイン・アンド・プレイフレームワークDocRetrieverを提案する。
論文 参考訳（メタデータ） (2026-05-28T14:50:53Z) - ShredBench: Evaluating the Semantic Reasoning Capabilities of Multimodal LLMs in Document Reconstruction [17.955553420959713]
MLLM(Multimodal Large Language Models)は、視覚的リッチドキュメント理解(VRDU)タスクにおいて顕著なパフォーマンスを実現している。
しかし、それらの能力は主に、原始的でよく構造化された文書画像に基づいて評価される。
細断断片からのコンテンツ復元はVRDUの課題であると考えている。
自動生成パイプラインがサポートするベンチマークであるShredBenchを紹介します。
論文 参考訳（メタデータ） (2026-04-26T17:26:06Z) - DocRevive: A Unified Pipeline for Document Text Restoration [8.164723249655319]
本稿では,最先端の光学文字認識(OCR)と高度な画像解析を組み合わせた,新しい統合パイプラインを提案する。
各種文書劣化シナリオをシミュレートする,30,078個の文書画像の合成データセットを作成する。
拡散ベースのモジュールはテキスト、フォント、サイズ、アライメントをシームレスに再統合する。
論文 参考訳（メタデータ） (2026-04-11T07:50:20Z) - MURE: Hierarchical Multi-Resolution Encoding via Vision-Language Models for Visual Document Retrieval [111.99106496142474]
Visual Document Retrieval (VDR)は、微細な視覚的詳細とグローバルな文書構造の両方をキャプチャする表現を必要とする。
既存のVDRモデルは、高解像度文書を処理する際に効率と効率のバランスをとるのに苦労する。
本稿では,X-VisEmbパラダイムを提案する。X-VisEmbパラダイムは,多分解能サンプリングと符号化から,粒度横断的特徴融合から適応的表現蒸留へと進展する。
論文 参考訳（メタデータ） (2026-03-07T15:17:22Z) - Layout-Aware OCR for Black Digital Archives with Unsupervised Evaluation [0.0]
我々は,ブラック新聞アーカイブに適したレイアウト対応OCRパイプラインを提案する。
提案手法は, 合成レイアウト生成, 拡張データに基づくモデル事前学習, 最先端のYou Only Look Once(YOLO)検出器の融合と統合する。
この結果は,AIによる文書理解において,文化的なレイアウトロジックを尊重することの重要性を強調した。
論文 参考訳（メタデータ） (2025-09-16T16:43:34Z) - Unsupervised Structure-Texture Separation Network for Oracle Character
Recognition [70.29024469395608]
オラクルの骨書は上海王朝の中国最古の書記体系であり、考古学や文献学に重要視されている。
そこで本稿では, 連関, 変換, 適応, 認識のためのエンドツーエンド学習フレームワークである構造テクスチャ分離ネットワーク(STSN)を提案する。
論文 参考訳（メタデータ） (2022-05-13T10:27:02Z)
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。