論文の概要: MuSTEL: A Large-Scale Multilingual Synthetic Text-Line Image Dataset for OCR
- arxiv url: http://arxiv.org/abs/2610.34148v1
- Date: Sun, 25 Oct 2026 08:34:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.546112
- Title: MuSTEL: A Large-Scale Multilingual Synthetic Text-Line Image Dataset for OCR
- Title（参考訳）: MuSTEL:OCRのための大規模多言語合成テキストラインイメージデータセット
- Abstract要約: MuSTELは14.5万以上の注釈付きテキスト行画像を含む大規模合成多言語OCRデータセットである。
サンプルは、ソースコードにすでに存在する多言語コンテンツを含む自然言語コーパスから生成される。
711ファミリーの2,009のフォントファイルの検証済みリポジトリは、広範なタイポグラフィーカバレッジをサポートしている。
- 参考スコア（独自算出の注目度）: 2.7170343227183458
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optical character recognition (OCR) systems depend strongly on the scale and diversity of their training data. One approach to document OCR first analyzes the page layout and extracts text-line images, which are then transcribed by a recognition model. Multilingual line-level recognition involving Persian, Arabic, and English presents additional challenges because different writing directions, fonts, and styles may coexist within a single line. This paper introduces MuSTEL, a large-scale synthetic multilingual OCR dataset containing more than 14.5 million annotated text-line images, organized into a training partition and predefined small and large test sets. Samples are generated from natural-language corpora, including multilingual content already present in the source texts. The generation framework incorporates capability-aware font selection, within-line font and style changes, mixed-direction text rendering, highlighting, and underlining. A validated repository of 2,009 font files from 711 families supports broad typographic coverage, while varied backgrounds, blur, geometric distortion, skew, stroke width, and image save quality provide diverse document-like appearances. Statistical analysis characterizes the dataset's language composition, transcription lengths, lexical and character-sequence diversity, image dimensions, typography, and rendering conditions. MuSTEL provides a resource for training and evaluating multilingual line-level OCR systems and investigating recognition robustness across languages, writing directions, and visual conditions.
- Abstract（参考訳）: 光文字認識(OCR)システムは、トレーニングデータのスケールと多様性に強く依存する。
文書OCRの1つのアプローチは、まずページレイアウトを分析し、テキストライン画像を抽出し、認識モデルによって書き起こされる。
ペルシア語、アラビア語、英語を含む多言語行レベルの認識は、異なる書き方、フォント、スタイルが1行で共存する可能性があるため、さらなる課題を提起する。
本稿では,14.5万以上の注釈付きテキスト行画像を含む大規模合成多言語OCRデータセットであるMuSTELについて述べる。
サンプルは、ソースコードにすでに存在する多言語コンテンツを含む自然言語コーパスから生成される。
生成フレームワークには、機能対応フォントの選択、インラインフォントとスタイルの変更、混合方向テキストのレンダリング、ハイライト、アンダーライニングが含まれている。
711ファミリーの2,009のフォントファイルの検証済みリポジトリは、幅広いタイポグラフィーカバレッジをサポートし、背景、ぼやけ、幾何学的歪み、スキュー、ストローク幅、画像保存品質は、様々な文書風の外観を提供する。
統計分析では、データセットの言語構成、書き起こしの長さ、語彙および文字列の多様性、画像次元、タイポグラフィ、レンダリング条件を特徴付ける。
MuSTELは、多言語行レベルのOCRシステムのトレーニングと評価、言語間の認識の堅牢性、書き方、視覚条件の調査のためのリソースを提供する。
関連論文リスト
- Cross-Lingual SynthDocs: A Large-Scale Synthetic Corpus for Any to Arabic OCR and Document Understanding [3.587092806938212]
Cross-Lingual SynthDocsは、光学文字認識(OCR)と文書理解(DU)のためのアラビア語リソースの不足に対処するために設計された大規模な合成コーパスである。
データセットは、150万のテキストデータ、270万の注釈付きテーブル、数十万の実際のデータベースチャートを含む、250万以上のサンプルで構成されている。
論文 参考訳（メタデータ） (2025-11-01T04:54:58Z) - Enhancing Robustness of Autoregressive Language Models against Orthographic Attacks via Pixel-based Approach [51.95266411355865]
自己回帰言語モデルは、正書法攻撃に弱い。
この脆弱性は、サブワードトークン化器とその埋め込みに固有の語彙外問題に起因している。
本稿では,単語を個々の画像としてレンダリングすることで,テキストベースの埋め込みをピクセルベースの表現に置き換える,画素ベースの生成言語モデルを提案する。
論文 参考訳（メタデータ） (2025-08-28T20:48:38Z) - Zero-Shot Chinese Character Recognition with Hierarchical Multi-Granularity Image-Text Aligning [52.92837273570818]
漢字は独特な構造と構成規則を示しており、表現にきめ細かい意味情報を使用することが可能である。
コントラストパラダイムに基づく階層型多言語画像テキストアライニング(Hi-GITA)フレームワークを提案する。
提案したHi-GITAは既存のゼロショットCCR法より優れている。
論文 参考訳（メタデータ） (2025-05-30T17:39:14Z) - SARD: A Large-Scale Synthetic Arabic OCR Dataset for Book-Style Text Recognition [0.995313069446686]
SARDは、書籍スタイルのドキュメントをシミュレートするための、大規模で合成的に生成されたデータセットである。
6億9千万の単語を含む843,622の文書画像からなり、10の異なるアラビア語のフォントに散らばって、タイポグラフィーのカバー範囲を広く確保している。
スキャンされた文書から得られたデータセットとは異なり、SARDは現実世界のノイズや歪みをなくし、モデルトレーニングのためのクリーンで制御された環境を提供する。
論文 参考訳（メタデータ） (2025-05-30T13:47:54Z) - EasyText: Controllable Diffusion Transformer for Multilingual Text Rendering [9.087419148444225]
本稿では,DiT(Diffusion Transformer)に基づくテキストレンダリングフレームワークであるEasyTextを紹介する。
本稿では,文字位置の符号化と位置の符号化手法を提案する。
我々は,100万の多言語画像テキストアノテーションを用いた大規模合成テキスト画像データセットを構築し,20Kの注釈付き画像の高品質なデータセットを構築した。
論文 参考訳（メタデータ） (2025-05-30T09:55:39Z) - Multi-language Video Subtitle Dataset for Image-based Text Recognition [0.0]
このデータセットには、オンラインプラットフォームからソースされた24のビデオから抽出された4,224の字幕イメージが含まれている。
タイ語の子音、母音、トーンマーク、句読点、数字、ローマ字、アラビア数字など様々な文字が特徴である。
論文 参考訳（メタデータ） (2024-11-07T00:06:53Z) - OmniCorpus: A Unified Multimodal Corpus of 10 Billion-Level Images Interleaved with Text [112.60163342249682]
我々は100億規模の画像テキストインターリーブデータセットであるOmniCorpusを紹介する。
私たちのデータセットは、優れたデータ品質を維持しながら、15倍のスケールを持っています。
これが将来のマルチモーダルモデル研究に確かなデータ基盤を提供することを期待しています。
論文 参考訳（メタデータ） (2024-06-12T17:01:04Z) - OCRBench: On the Hidden Mystery of OCR in Large Multimodal Models [122.27878464009181]
テキスト関連視覚タスクにおいて, GPT4V や Gemini などの大規模マルチモーダルモデルの包括的評価を行った。
OCRBenchには29のデータセットがあり、最も包括的なOCR評価ベンチマークが利用できる。
論文 参考訳（メタデータ） (2023-05-13T11:28:37Z) - An Efficient Language-Independent Multi-Font OCR for Arabic Script [0.0]
本稿では,アラビア文字のスキャン画像を入力として取り出し,対応するデジタル文書を生成する完全アラビアOCRシステムを提案する。
また,現在最先端のセグメンテーションアルゴリズムよりも優れたフォント非依存文字アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-09-18T22:57:03Z)
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。