論文の概要: Reading the Registers of Honorius III without Manual Line Transcription: Forced-Aligned HTR, End to End, Modular or Hybrid

• arxiv url: http://arxiv.org/abs/2610.35085v1
• Date: Mon, 26 Oct 2026 09:26:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.812771
• Title: Reading the Registers of Honorius III without Manual Line Transcription: Forced-Aligned HTR, End to End, Modular or Hybrid
• Title（参考訳）: 手書き文字起こしのないHonorius IIIの登録書を読む:強制アライメントHTR, End to End, Modular or Hybrid
• Abstract要約: 既存のラインブレークフリーの専門家による手書き文字認識を訓練するのに十分であることを示す。 セグメント化されたラインを手動でアライメントすることなく、13,122のトレーニングラインを自動的にブートストラップします。 我々は古文献の忠実さと編集正規化の緊張に対処する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unlocking medieval archives at scale is bottlenecked by the cost of line-level diplomatic transcriptions and manual abbreviation expansion. Focusing on the registers of Pope Honorius III (1216-1227) over 5,000 letters surviving in full only as manuscript images - we show that existing, line-break-free expert transcriptions (edition drafts) suffice to train end-to-end hand-written text recognition (HTR) that jointly transcribes and expands heavily abbreviated Latin. Using forced alignment on 860 unaligned edition entries across 394 pages of Reg. Vat. 9, we automatically bootstrap 13,122 training lines without manual alignment of segmented lines. While the generic CATMuS baseline struggles on this domain (18.9% CER) and a modular space-free HTR + word-segmentation pipeline (cf. Camps et al. 2021) plateaus at 15.6% WER, our from-scratch hybrid Conformer - combining CTC with bidirectional subword attention decoders, iterative self-realignment and n-best LM rescoring - achieves 4.7% CER and 8.7% WER (8.4% WER with ROVER system combination), nearly halving errors on clause-final words (22.7% to 12.2% WER). These figures are measured on the test lines that align with the transcription (86% of all test lines for the best hybrid). Furthermore, we address a tension between paleographic fidelity and editorial normalization: training on targets that preserve scribal name initials reduces the WER against the manuscript text on the 31 affected test lines from 13.3% to 9.2%, at a small cost against the expanded transcription (WER +0.3 points, CER +0.4). Finally, extensive ablations show that none of an auxiliary diplomatic CTC head, a copy mechanism, a permutation decoder or masked-image pretraining improves on direct end-to-end supervision, while strict padding-mask propagation and per-line beam termination make inference batch-invariant.
• Abstract（参考訳）: 大規模な中世のアーカイブのアンロックは、ラインレベルの外交書記と手作業による略語拡張のコストによってボトルネックとなる。 法王ホノリウス3世 (1216-1227) の登録書に焦点をあてると、5000通以上の文字が写本のイメージとして残っており、現存する、ラインブレイクのない専門家による写本(編集草稿)が、共同で書き起こし、非常に短縮されたラテン語を拡大する、エンドツーエンドの手書き文字認識 (HTR) を訓練するのに十分であることを示す。 Regの394ページにわたる、860のアンアライメントのないエディションエントリに強制アライメントを使用すること。 Vat 13,122行のトレーニングラインを自動的にブートストラップします。 CATMuSベースラインは、このドメイン(18.9% CER)とモジュール空間自由なHTR+ワードセグメンテーションパイプライン(cf. Camps et al 2021)で15.6%のWERで競合する一方、私たちのオフスクラッチハイブリッドコンバータ - CTCと双方向のサブワードアテンションデコーダ、反復的自己表現、n-best LM再構成 - CERが4.7%、WERが8.4%(ROVERシステムの組み合わせで8.4% WER)、節末語(22.7%から12.2% WER)のエラーがほぼ半減している。 これらの数字は、書き起こしと整合するテストライン(最良のハイブリッドのためのテストラインの86%)で測定される。 さらに, 古文書の忠実度と編集正規化の緊張感にも対処し, 頭蓋骨名の初期を保存した目標に対するトレーニングは, 拡張された転写(WER+0.3点, CER+0.4点)に対して少ないコストで, 影響を受ける31行の原稿テキストに対してWERを13.3%から9.2%に削減する。 最後に, 補助外交CTCヘッド, コピー機構, 置換デコーダ, マスク画像プリトレーニングのいずれも, 直接のエンドツーエンドの監視を改善する一方で, 厳密なパディングマスク伝搬とラインビーム終端はバッチ不変であることを示す。

関連論文リスト

• Pronouncing Hard Words: Phoneme Adaptation of a Pretrained Conversational Text to Speech Model [50.335253821316805]
  プレ/ミドルトレーニングなしで、事前訓練された会話型TSモデルに音素制御性を再現する。 臨床薬の発音評価では, 厳密なジェミニ・ジャッジドの正しさを54.6%から90.7%に引き上げた。 訓練段階が薬名を見ないため、評価全体がドメイン外であるため、学習した発音を記憶するよりも、学習した発音を反映する。
  論文  参考訳（メタデータ） (2026-10-16T19:41:23Z)
• When Do Agents Help? Embedding, LLM and Agentic Alignment of Classical Texts and Their Translations [0.0]
  この研究は、パリ語、サンスクリット語、ミシュナ語、ヘブライ語、チベット語で452のテキストの7つのシステムを比較した。 エージェントは452テキストすべてに対して構造的に有効な出力を生成し、437は直接呼び出しを行う。 盲目の3-LLMパネルは、ソースと人間の参照に対して全ての生成ミスマッチを評価する。
  論文  参考訳（メタデータ） (2026-09-27T15:53:49Z)
• Can Scene Text Recognition Read Rare Compositions? [1.7844382164707184]
  6つの標準ベンチマークにおいて、シーンテキスト認識は89-97%正確であると報告され、その問題が飽和として広く扱われている。 私たちは代替の読書を提示する。 同じテスト画像が、基準コーパスに対して、接地的単語の規則性と文字n-gramの新規性によって共同で成層されると、結果の5x5グリッドのレアワードxレアトリグラムコーナーでの精度は、q3/q3センタより10〜18pt下方に低下する。
  論文  参考訳（メタデータ） (2026-09-01T07:16:42Z)
• 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)
• RefLAM: A Reference-Grounded Line Annotation Pipeline for Historical Arabic Manuscripts [1.583691353033079]
  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。
  論文  参考訳（メタデータ） (2026-08-25T20:46:11Z)
• IndicQE-APE: A Benchmark for Quality Estimation and Automatic Post-Editing for Indic Languages [77.88427845181154]
  我々はWMT 2020-2024の共有タスクの系統を、英語のリソースを拡張してインディクシーに集約する:9つの方向対に対して126,754ドルのインスタンス。 セグメントレベルのQEでは,LSMが6つ,COMETが3つ,APEでは3つのシステムをベンチマークした。
  論文  参考訳（メタデータ） (2026-08-17T09:50:52Z)
• Stoicheia: Character-Level Masked Diffusion for Ancient Greek Textual Restoration, Parsing, and Metrical Scansion [0.0]
  ストイチェア (Stoicheia) は古代ギリシアの文字レベルのマスク付き拡散エンコーダである。 オープンでリビジョンされた380万ワードのコーパスで事前トレーニングを行い、11個のチェックポイントをリリースする。 イサカ自身のテスト分割では、同じ凍結サンプルと厳密なスコアで、Stoicheiaは両方の従来の最先端システムと比較して文字エラーを減らす。
  論文  参考訳（メタデータ） (2026-08-07T14:07:43Z)
• When AI Writes, Who Gets Cited? Evidence of Citation Monoculture Across Language Models [45.91367912142692]
  異なるモデルがいまだに同じ狭い部分集合を選択している可能性を示し、単一の引用が誤りを犯さずに、引用モノカルチャーを生成する。 3つのベンダーの11のモデルが、30のランダムなパネルから少なくとも10の論文を選択しており、実際のタイトルと抽象物があるが、作者が作り直され、再割り当て年、隠れた会場と引用数がある。
  論文  参考訳（メタデータ） (2026-08-03T14:27:46Z)
• Output Vector Editing for Memorization Mitigation in Large Language Models [68.30351930772788]
  大規模な言語モデルは、トレーニングデータからシーケンスを記憶し、再現し、プライバシ、著作権、セキュリティリスクを生み出す。 既存のニューロンレベルの緩和方法は、ニューロンの活性化をゼロにすることで編集を等しくするが、活性化はニューロンが関与するかどうかのみを制御する。 記憶継続に責任を負うニューロンの小さな集合を探索する制約最適化編集である出力ベクトル編集を提案する。
  論文  参考訳（メタデータ） (2026-06-17T07:29:18Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• LOCR: Location-Guided Transformer for Optical Character Recognition [55.195165959662795]
  自動回帰中にトランスフォーマーアーキテクチャに位置案内を組み込むモデルであるLOCRを提案する。 125Kの学術文書ページから777万以上のテキスト配置ペアからなるデータセット上でモデルをトレーニングする。 これは、編集距離、BLEU、METEOR、F測定によって測定されたarXivから構築されたテストセットの既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2024-03-04T15:34:12Z)

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。