Using Graph Neural Networks to Reconstruct Ancient Documents
L3i - EA 2118（L3i实验室（EA 2118））；LaBRI - CNRS 5800（波尔多计算机研究所（CNRS 5800））
近年来，诸如人工神经网络的机器学习和深度学习方法已经流行用于解决自动解谜问题。事实上，这些方法能够从图像中提取高级表示，然后可以训练将匹配的图像片段与非匹配的图像片段分开。这些应用与从部分恢复的碎片重建古代文献的问题有许多相似之处。在这项工作中，我们提出了一个解决方案的基础上的图神经网络，使用成对的补丁信息来分配标签的边缘代表对之间的空间关系。该网络将源贴片和目标贴片之间的关系分类为上、下、左、右或无之一。通过对所有边这样做，我们的模型输出一个表示重建建议的新图。最后，我们证明了我们的模型不仅能够在边缘级别提供正确的分类，而且能够从一组补丁生成部分或全部重建图。
2020-11-13 cs.CV
Enhancement of text recognition for hanja handwritten documents of Ancient Korea
Seoul National University（首尔国立大学）；Sungkyunkwan University（成均馆大学）
本研究通过高可变裁剪数据增强和HRNet两阶段检测模型，提升了古韩国汉字手写草书文档的OCR识别率至90%，并确认了字符变体对性能的影响，成果可推广至多语言现代文档。
2024-12-14 cs.CV
Digital Restoration of Ancient Papyri
Politecnico di Torino（都灵理工大学）
图像处理可以用于古纸莎草的数字恢复，即，用于对它们的数字图像执行的恢复。数字操作允许减少背景信号并增强文本的可读性。在非常古老和损坏的文件的情况下，这是识别字母模式的基础。示出了用使用边缘检测和傅立叶滤波的图像处理获得的恢复的一些示例。其中之一涉及死海古卷的7Q5片段。
2009-03-30 cs.CV
Historical Document Processing: Historical Document Processing: A Survey of Techniques, Tools, and Trends
East Carolina University（东卡罗来纳大学）
历史文献处理是将过去的书面材料数字化以供历史学家和其他学者将来使用的过程。它结合了计算机科学各个子领域的算法和软件工具，包括计算机视觉，文档分析和识别，自然语言处理和机器学习，将古代手稿，信件，日记和早期印刷文本的图像自动转换为可用于数据采掘和信息检索系统的数字格式。在过去的二十年里，随着图书馆、博物馆和其他文化遗产机构扫描了越来越多的历史文献档案，从这些收藏中转录全文的需求变得迫切。由于历史文档处理包含计算机科学的多个子领域，因此与其目的相关的知识分散在许多期刊和会议记录中。本文综述了历史文献处理领域的主要阶段、标准算法、工具和数据集，讨论了文献综述的结果，最后提出了进一步研究的方向。
2020-09-11 cs.CV
Structure-Aware Text Recognition for Ancient Greek Critical Editions
Inria（法国国家信息与自动化技术研究所）
本文通过构建大规模合成语料库和真实扫描基准，评估了视觉语言模型在结构感知文本识别上的性能，发现Qwen3VL-8B模型在真实扫描上达到1.0%的中位字符错误率。
2026-06-17 cs.CV
Dating Ancient Paintings of Mogao Grottoes Using Deeply Learnt Visual Codes
Shenzhen University（深圳大学）；Wuhan University（武汉大学）；Dunhuang Research Academia（敦煌研究院）；University of South Carolina（南卡罗来纳大学）
文化遗产是世界各国人民的财富。保护和传承文化遗产，有利于人类文明进步。在中国西北部，有一个世界遗产-莫高窟-有大量的壁画展示了中国古代的历史文化。要研究这些历史文化，一个关键的步骤是确定壁画的年代，即，他们创造的时代，迄今为止，莫高窟壁画的年代大多是直接参照壁画文字或历史文献确定的。然而，由于缺乏参考资料，有些人仍然无法确定创造时代。考虑到壁画的绘画风格是随着历史的发展而变化的，而绘画风格又可以通过绘画数据来了解和量化，因此我们将壁画的断代问题转化为绘画风格分类问题。事实上，绘画风格不仅可以用颜色或曲率来表达，还可以用一些未知的形式来表达--那些没有被观察到的形式。为此，除了复杂的颜色和形状描述符，一个深度卷积神经网络被设计来编码隐式的绘画风格。以194个石窟中的3860幅壁画为样本，对分类模型进行了训练，并建立了壁画的年代测定方法。在实验中，所提出的断代方法被应用到七个壁画，以前有争议的断代，令人兴奋的新的断代结果被敦煌专家的认可。
2018-10-22 cs.CV
ICDAR 2019 Historical Document Reading Challenge on Large Structured Chinese Family Records
Luleå University of Technology（吕勒奥理工大学）；FamilySearch（FamilySearch（家族搜索））
我们提出了一个关于大型中国结构化家庭记录的历史文献阅读挑战，简称ICDAR2019 HDRC CHINESE。拟议的比赛的目标是识别和分析布局，并最终检测和识别的大型历史文件集合包含超过20 000页的FamilySearch提供的文本行和字符。
2019-05-10 cs.CV
Record Counting in Historical Handwritten Documents with Convolutional Neural Networks
在本文中，我们研究了使用卷积神经网络来计算历史手写文档中的记录数。通过这项工作，我们证明了只使用合成图像训练网络可以让我们对历史文档上打印的记录数量进行近乎完美的评估。实验已经在由婚姻记录组成的基准数据集上进行，并且在该数据集上的表现优于以前的结果。
2016-10-25 cs.CV
Deep Learning Approaches for Image Retrieval and Pattern Spotting in Ancient Documents
Pontifical Catholic University of Parana (PUCPR)（巴拉那天主教大学）；State University of Ponta Grossa (UEPG)（蓬塔格罗萨州立大学）；École de Technologie Supérieure (ÉTS), Université du Québec（魁北克大学高等技术学院）；Normandie Univ（诺曼底大学）；UNIROUEN（鲁昂大学）；UNIHAVRE（勒阿弗尔大学）；INSA Rouen（鲁昂国立应用科学学院）；Federal University of Paraná（巴拉那联邦大学）
本文描述了两种使用深度学习进行基于内容的图像检索和文档图像中的模式识别的方法。第一种方法使用预训练的CNN模型来应对训练数据的缺乏，该模型经过微调以实现查询和图像候选的紧凑但有区别的表示。第二种方法使用Siamese卷积神经网络，该神经网络在来自ImageNet数据集的先前准备的图像对子集上进行训练，以提供基于相似性的特征图。在这两种方法中，学习的表示方案考虑不同大小的特征图，这些特征图在检索性能方面进行评估。使用两个公共数据集（Tobacoo-800和DocExplore）的强大的实验协议表明，所提出的方法与最先进的文档图像检索和模式定位方法相比毫不逊色。
2019-07-22 cs.CV cs.LG cs.MM
Recognizing Handwriting Styles in a Historical Scanned Document Using Unsupervised Fuzzy Clustering
City College of San Francisco（旧金山城市学院）；Santa Clara University（圣克拉拉大学）
本研究针对历史扫描文档中多位抄写员手写风格归属的高维挑战，提出结合线性主成分分析与模糊软聚类的无监督方法，成功检测手写转换，为历史文档书写者归属和法医分析提供了新途径。
2023-06-28 cs.CV
PageNet: Page Boundary Extraction in Historical Handwritten Documents
Brigham Young University（杨百翰大学）
当将文档数字化为图像时，通常包括周围的边界区域以在视觉上指示整个文档存在于图像中。但是，应在自动处理之前删除此边框。在这项工作中，我们提出了一个基于深度学习的系统PageNet，它可以识别图像中的主页面区域，以便从文本和非文本边界噪声中分割内容。在PageNet中，全卷积网络获得逐像素分割，该分割被后处理为输出四边形区域。我们在4个历史手写文档集合上评估了PageNet，并在所有数据集上获得了超过94%的平均交集，并在其中2个集合上接近人类性能。此外，我们表明，PageNet可以分割重叠在其他文档之上的文档。
2017-09-05 cs.CV
A Text Recognition Dataset from Sahidic Coptic Ancient Manuscripts
University of Modena and Reggio Emilia（摩德纳大学与雷焦艾米利亚大学）
针对低资源手写文本识别，构建了萨希迪克科普特古代手稿数据集SCAM，并评估了多种先进方法的性能，揭示了当前方法在低资源历史文本上的局限性。
2026-09-02 cs.CV cs.DL
Joint Layout Analysis, Character Detection and Recognition for Historical Document Digitization
South China University of Technology（华南理工大学）；Alibaba Group（阿里巴巴集团）
在本文中，我们提出了一个端到端的可训练框架，用于恢复遵循正确阅读顺序的历史文档内容。该框架在特征提取网络的后面增加了两个分支：字符分支和布局分支。字符分支定位文档图像中的各个字符并同时识别它们。然后采用后处理的方法将其分组为文本行。基于全卷积网络的布局分支输出二进制掩码。然后，我们使用Hough变换的二进制掩码上的行检测和字符的结果与布局信息相结合，以恢复文档内容。这两个分支可以并行训练，并且易于训练。此外，我们提出了一个重新评分机制，以尽量减少识别错误。在扩展的中文历史文档MTHv2数据集上的实验结果验证了该框架的有效性。
2020-07-14 cs.CV
Text Line Segmentation of Historical Documents: a Survey
GET-Ecole Nationale Supérieure des Télécommunications（GET-法国国立高等电信学院）；CNRS-LTCI（法国国家科学研究中心LTCI研究所）；IUT, Université du Havre（勒阿弗尔大学大学技术学院）
图书馆和各种国家档案馆中有大量的历史文件尚未以电子方式加以利用。尽管在大多数情况下，自动阅读整个页面仍然是一个长期目标，但今天使用的任务包括单词识别、文本/图像对齐、认证和特定字段的提取。对于所有这些任务，一个主要步骤是将文档分割成文本行。由于这些文档的低质量和复杂性（背景噪声、由于老化而产生的伪影、干扰线），自动文本行分割仍然是一个开放的研究领域。本文的目的是提出一个调查现有的方法，在过去的十年中发展起来的，并致力于历史感兴趣的文件。
2007-04-10 cs.CV
Ancient Script Image Recognition and Processing: A Review
Queen Mary University of London（伦敦大学Queen Mary）；Jilin University（吉林大学）
本综述系统梳理古代文字图像识别方法，按文字类型分类比较，剖析数据不均衡与图像退化等独特挑战，并总结少样本学习等近期方案及未来方向，旨在推动该领域发展。
2025-06-24 cs.CV
Variational Augmentation for Enhancing Historical Document Image Binarization
Jadavpur University（贾达沃普尔大学）
历史文献图像二值化是图像处理中的一个著名的分割问题。尽管普遍存在，传统的阈值算法取得了有限的成功严重退化的文档图像。随着深度学习的出现，提出了几种分割模型，这些模型在该领域取得了重大进展，但受到大型训练数据集不可用的限制。为了缓解这个问题，我们提出了一个新的两阶段框架-其中第一个包括一个使用变分推理生成降级样本的生成器，第二个是一个基于CNN的二值化网络，它对生成的数据进行训练。我们在一系列DIBCO数据集上评估了我们的框架，与以前最先进的方法相比，它取得了有竞争力的结果。
2022-11-12 cs.CV
A Comprehensive Study of ImageNet Pre-Training for Historical Document Image Analysis
University of Fribourg（弗里堡大学）；University of Applied Sciences and Arts Western Switzerland（瑞士西部应用科学与艺术大学）；Luleå University of Technology（吕勒奥理工大学）
扫描的历史文档的自动分析包括广泛的图像分析任务，由于缺乏人类注释的学习样本，这些任务通常对机器学习具有挑战性。随着深度神经网络的出现，应对训练数据缺乏的一种有希望的方法是在来自不同领域的图像上预训练模型，然后在历史文档上对其进行微调。在目前的研究中，这种跨领域迁移学习的一个典型例子是使用在ImageNet数据库上预先训练的神经网络进行对象识别。这种预训练是否有助于分析历史文档仍然是一个悬而未决的问题，与ImageNet相比，历史文档具有根本不同的图像属性。在本文中，我们对ImageNet预训练对各种历史文档分析任务的影响进行了全面的实证调查，包括字符识别，风格分类，手稿日期，语义分割和基于内容的检索。虽然我们在像素级获得了混合的语义分割结果，但我们在不同的网络架构中观察到一个明显的趋势，即ImageNet预训练对分类以及基于内容的检索具有积极影响。
2019-05-22 cs.CV
ICDAR 2019 Competition on Image Retrieval for Historical Handwritten Documents
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）；Institut de Recherche et d’Histoire des Textes（文本研究与历史研究所）；Centre National de la Recherche Scientifique（法国国家科学研究中心）
该竞赛调查了基于写作风格的历史文档图像的大规模检索的性能。基于文化遗产机构和数字图书馆提供的大型图像数据集，共提供了代表约10 000名作家的20 000份文件图像，分为三类：（i）手稿书籍，（ii）信件，（iii）宪章和法律文件的作家。我们专注于自动图像检索的任务，以模拟人文研究的常见场景，如作家检索。大多数团队提交了不使用深度学习技术的传统方法。比赛结果表明，方法的组合优于单一方法。此外，信件比手稿更难检索。
2019-12-08 cs.CV
Predicting the Original Appearance of Damaged Historical Documents
South China University of Technology（华南理工大学）；INTSIG-SCUT Joint Lab on Document Analysis and Recognition（INTSIG-华南理工大学文档分析与识别联合实验室）
本文提出历史文献修复任务，构建HDR28K数据集和DiffHDR扩散网络，预测受损文献原始外观，显著优于现有方法，并支持文档编辑与生成。
2024-12-16 cs.CV
Degraded Historical Documents Images Binarization Using a Combination of Enhanced Techniques
Ecole nationale Supérieure d’Informatique (ESI)（国立高等信息学院）；Université de Bourgogne（勃艮第大学）
文档图像的二值化是文档分析和识别的基础和关键。事实上，由于其重要性和影响力，它仍然是一个相关的研究课题和根本挑战。本文提供了一个原始的多阶段系统，混合各种有效的图像阈值化方法，以获得最佳的二值化输出。首先，为了提高对比度，特别是有缺陷的图像，CLAHE算法的应用建议和理由。然后，我们使用一个合作的技术分割成两个独立的类的图像。最后，采用特殊的变换方法，消除了散乱噪声，纠正了字符的形状。实验证明了我们的框架应用于历史退化的文件图像的精度和鲁棒性在三个基准相比，其他注意到的方法。
2019-01-27 cs.CV
DocLangID: Improving Few-Shot Training to Identify the Language of Historical Documents
Hasso Plattner Institute（哈索·普拉特纳研究所）
本文提出 DocLangID，通过迁移学习与基于距离的少样本学习方法，仅用少量人工标注示例即可有效识别未标注历史文献的语言，并在四种未见语言上达到 74% 的识别准确率。
2023-05-03 cs.CV
Robust Text Line Detection in Historical Documents: Learning and Evaluation Methods
TEKLIA（TEKLIA公司）；LITIS, Normandie University（诺曼底大学LITIS实验室）
文本行分割是历史文档理解的关键步骤之一。由于字体、内容、写作风格的多样性和多年来不断下降的文档质量，这是一个挑战。在本文中，我们解决了目前阻止人们建立具有高泛化能力的线分割模型的局限性。我们提出了一项使用三个最先进的系统Doc-UFCN，dhSegment和ARU-Net进行的研究，并表明可以建立在各种历史文档数据集上训练的通用模型，这些数据集可以正确地分割不同的看不见的页面。本文还强调了在训练过程中使用的注释的重要性：每个现有数据集都有不同的注释。我们提出了一个统一的注释，并显示其对最终的文本识别结果的积极影响。最后，我们提出了一个完整的评估策略，使用标准的像素级指标，对象级的，并引入面向目标的指标。
2022-10-21 cs.CV
Exploring text-to-image generation for historical document image retrieval
University of Victoria（维多利亚大学）
本文提出T2I-QBE，用Leonardo.Ai依据文档类型与ABDIR风格属性生成查询图像，再以QBE方式完成历史文档检索，并在HisIR19上验证其可行性。
2025-07-28 cs.CV
docExtractor: An off-the-shelf historical document element extraction
LIGM, École des Ponts, Univ Gustave Eiffel, CNRS（LIGM，法国桥路学院，古斯塔夫·埃菲尔大学，法国国家科学研究中心）
我们提出了docExtractor，一个通用的方法提取视觉元素，如文本行或插图从历史文件，而不需要任何真正的数据注释。我们证明，它提供了高质量的性能，作为一个现成的系统，在各种各样的数据集，并导致结果与国家的最先进的微调时。我们认为，在没有对特定数据集进行微调的情况下获得的性能对于应用程序来说是至关重要的，特别是在数字人文领域，并且我们所解决的行级页面分割对于通用元素提取引擎来说是最相关的。我们依赖于一个快速生成丰富的合成文档的生成器，并设计了一个完全卷积的网络，我们证明它比基于检测的方法更好地推广。此外，我们引入了一个新的公共数据集，称为IlluHisDoc，致力于对历史文档中的插图分割进行精细评估。
2020-12-15 cs.CV
Handwriting Recognition in Historical Documents with Multimodal LLM
针对历史手写文献OCR难度大、现有Transformer模型依赖人工标注且泛化性差的问题，本文评估了多模态大模型Gemini的手写文档转录准确率，并与当前最优Transformer方法做对比。
2024-10-31 cs.CV
A Large Dataset of Historical Japanese Documents with Complex Layouts
Harvard University（哈佛大学）
基于深度学习的自动文档布局分析和内容提取方法有可能大规模解锁历史文档中捕获的丰富信息。一个主要障碍是缺乏用于训练鲁棒模型的大型数据集。特别是，亚洲语言的训练数据很少。为此，我们提出了HJDataset，一个大型数据集的历史日本文件与复杂的布局。它包含七种类型的超过250，000个布局元素注释。除了内容区域的边界框和掩码之外，它还包括布局元素的层次结构和读取顺序。该数据集是使用人类和机器努力的组合构建的。提出了一种基于半规则的版图元素提取方法，并由人工检查员对提取结果进行检查。由此产生的大规模数据集用于使用最先进的深度学习模型为文本区域检测提供基线性能分析。我们证明了数据集对现实世界的文档数字化任务的有用性。该数据集可在https://dell-research-harvard.github.io/HJDataset/上获得。
2020-04-18 cs.CV
Local Binary Pattern for Word Spotting in Handwritten Historical Document
Computer Vision Center（计算机视觉中心）；Universitad Autonoma de Barcelona（巴塞罗那自治大学）；Indian Statistical Institute（印度统计研究所）
数字图书馆存储的图像可能会被高度降级，为了索引这类图像，我们采用词识别作为我们的信息检索系统。手写文档图像的信息检索由于其复杂的版面分析、书写风格的巨大变化以及历史手稿的退化或低质量而更具挑战性。本文提出了一种简单的创新的无学习的方法，结合局部二进制模式（LBP）和空间采样从大规模的历史文档中的词发现。该方法提供了三个优点：首先，它在完全学习自由范式中操作，这与无监督学习方法非常不同;其次，由于LBP特征计算非常快，因此计算时间显著降低;第三，该方法可以用于注释不可用的场景。最后，我们比较了我们提出的检索方法与文献中的其他方法的结果。
2016-04-21 cs.CV
DDVR-Net: Degradation-Aware Decoupling and Visibility-Guided Restoration for Historical Document Recognition
Institute of National Security, Minzu University of China（中央民族大学国家安全研究院）；School of Information Engineering, Minzu University of China（中央民族大学信息工程学院）；School of Artificial Intelligence and Computer Science, North China University of Technology（北方工业大学人工智能与计算机学院）
针对历史文档退化导致识别困难的问题，提出DDVR-Net框架，通过特征解耦、可见性引导恢复及构建多语言基准，在三种语言上性能优于现有方法。
2026-10-14 cs.CV
DIVA-DAF: A Deep Learning Framework for Historical Document Image Analysis
University of Fribourg（弗里堡大学）
针对历史文档图像分析实验耗时问题，提出基于PyTorch Lightning的开源深度学习框架DIVA-DAF，提供预实现任务与强大数据加载模块，显著节省编程与模型训练时间。
2024-02-15 cs.CV
Pattern Spotting in Historical Documents Using Convolutional Models
University of Chile（智利大学）；Orand S.A.（奥兰德股份公司）；Normandie Univ（诺曼底大学）；UNIROUEN（鲁昂大学）；UNIHAVRE（勒阿弗尔大学）；INSA Rouen（鲁昂国立应用科学学院）
模式定位包括使用图像查询在历史文档图像的集合中搜索图形对象的出现。与目标检测相反，没有给出关于查询的先验信息或预定义类，因此训练对象的模型是不可行的。在本文中，一个卷积神经网络的方法来解决这个问题。我们使用RetinaNet作为特征提取器来获得文档区域的多尺度嵌入，并用于查询。在DocExplore数据集上进行的实验表明，我们的建议是更好地定位模式，需要更少的存储空间索引图像比国家的最先进的系统，但在检索包含多个查询实例的一些页面失败。
2019-06-20 cs.CV
DELINE8K: A Synthetic Data Pipeline for the Semantic Segmentation of Historical Documents
Brigham Young University（杨百翰大学）
针对历史文档语义分割中现有合成数据集类别和多样性不足的问题，本文提出融合10多个来源的DELINE8K合成数据流水线，并在新引入的NAFSS基准上验证了其优越性能。
2024-04-30 cs.CV
Boosting offline handwritten text recognition in historical documents with few labeled lines
Universidad de Sevilla（塞维利亚大学）；Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；Health Research Institute Gregorio Marañón（格雷戈里奥·马拉尼翁健康研究所）
在本文中，我们面临的问题离线手写文本识别（HTR）的历史文件时，很少有标记的样本，其中一些包含错误的训练集。三个主要的贡献。首先，我们分析了如何执行迁移学习（TL）从一个巨大的数据库到一个较小的历史数据库，分析模型的哪些层需要微调过程。其次，我们分析了有效地结合TL和数据增强（DA）的方法。最后，提出了一种算法，以减轻不正确的标签在训练集中的影响。这些方法在ICFHR 2018竞争数据库，华盛顿和帕西瓦尔进行了分析。结合所有这些技术，我们证明了显着减少CER（在某些情况下高达6%），在测试集的复杂性开销很小。
2020-12-04 cs.CV
A Survey of Historical Document Image Datasets
Luleå University of Technology（吕勒奥理工大学）；Friedrich-Alexander-Universität（弗里德里希-亚历山大大学）
本文对用于文档图像分析的图像数据集进行了系统的文献综述，重点关注历史文档，如手写手稿和早期印刷品。为历史文档分析找到合适的数据集是促进使用不同机器学习算法进行研究的关键先决条件。然而，由于实际数据的种类非常多（例如，脚本、任务、日期、支持系统和退化量）、数据和标签表示的不同格式以及不同的评估过程和基准，找到合适的数据集是一项艰巨的任务。这项工作填补了这一空白，提出了对现有数据集的元研究。经过系统的选择过程（根据PRISMA指南），我们选择了65项研究，这些研究是根据不同的因素选择的，例如出版年份，文章中实施的方法数量，所选算法的可靠性，数据集大小和期刊出口。我们通过将每个研究分配给三个预定义的任务之一来总结每个研究：文档分类，布局结构或内容分析。我们为每个数据集提供统计数据、文档类型、语言、任务、输入视觉方面和地面实况信息。此外，我们还提供了这些论文或最近比赛的基准任务和结果。我们将进一步讨论这一领域的差距和挑战。我们提倡提供通用格式的转换工具（例如，计算机视觉任务的COCO格式），并始终提供一组评估指标，而不仅仅是一个，以使研究结果具有可比性。
2022-10-31 cs.CV
Generating Synthetic Handwritten Historical Documents With OCR Constrained GANs
University of Fribourg（弗里堡大学）
我们提出了一个框架来生成合成的历史文件与精确的地面真相只不过是一个未标记的历史图像的集合。获取大型标记数据集通常是有效使用监督式深度学习方法进行文档图像分析（DIA）的限制因素。针对合成数据生成的现有方法要么需要专业知识，要么导致合成文档的准确性差。为了在不需要专业知识的情况下实现高精度转换，我们分两步解决这个问题。首先，我们创建具有用户指定的内容和结构的模板文档。其次，我们将未标记的历史图像集合的风格转移到这些模板文档中，同时保留它们的文本和布局。我们在预训练环境中评估了我们的合成历史文档的使用，发现我们的表现优于基线（随机初始化和预训练）。此外，通过可视化示例，我们展示了一种高质量的合成，可以生成具有精确地面事实的大型标记历史文档数据集。
2021-05-16 cs.AI cs.CV
Fully Convolutional Neural Networks for Page Segmentation of Historical Document Images
University of Würzburg（维尔茨堡大学）
我们提出了一个高性能的完全卷积神经网络（FCN）的历史文件分割，旨在处理一个单一的页面在一个步骤。除了速度之外，这个模型的优点是它能够直接从原始像素中学习，而不是使用预处理步骤e。G.特征计算或超像素生成。我们表明，该网络产生更好的结果比现有的方法在不同的公共数据集。为了评估这个模型，我们引入了一个新的度量标准，它独立于模糊的地面真相，称为前景像素精度（FGPA）。这种基于像素的测量方法只计算二值化页面中的前景像素，忽略任何背景像素。该指标的主要优点是，它使研究人员能够比较不同的分割方法成功分割文本或图片的能力，而不是学习和可能过度拟合模糊的手工地面真实分割的特性的能力。
2018-02-15 cs.CV
TextBite: A Historical Czech Document Dataset for Logical Page Segmentation
Faculty of Information Technology, Brno University of Technology（布尔诺理工大学信息技术学院）
针对现有逻辑页面分割依赖OCR或精确几何信息的问题，研究者将任务定义为图像域分割，提出仅用前景文本像素的评估指标，发布含8449张历史捷克语文档图像的TextBite数据集及结合文本检测与关系预测的基线方法。
2025-03-20 cs.CV
DocEmul: a Toolkit to Generate Structured Historical Documents
我们提出了一个工具包来生成结构化的合成文件，模拟实际的文件生产过程。合成文档可用于训练系统以执行文档分析任务。在我们的案例中，我们解决了记录计数任务的手写结构化集合包含有限数量的例子。使用DocEmul工具包，我们可以生成一个更大的数据集来训练一个深度架构，以预测每个页面的记录数量。该工具包能够生成合成集合，并执行数据增强以创建更大的可训练数据集。它包括一种从真实页面中提取页面背景的方法，该页面背景可以用作基底，其中可以基于可变结构和使用草书字体来写入记录。此外，还可以通过添加随机噪声、页面旋转和其他视觉变化来扩展合成集合。我们在两个不同的手写体集合上进行了一些实验，使用工具包生成合成数据来训练一个能够计算真实集合中记录数量的卷积神经网络。
2017-10-10 cs.CV
Unveiling Ancient Maya Settlements Using Aerial LiDAR Image Segmentation
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）；Davidson College（戴维森学院）
针对LiDAR考古图像人工识别效率低、需专业知识的问题，提出结合新型LiDAR预处理与数据增强的YOLOv8分割方法，在玛雅两类建筑分割上IoU达0.842和0.809，优于现有方法，可加速历史景观分析。
2024-03-09 cs.CV
Fetch-A-Set: A Large-Scale OCR-Free Benchmark for Historical Document Retrieval
Computer Vision Center（计算机视觉中心）
本文提出Fetch-A-Set基准，构建了涵盖十七世纪以来大规模立法历史文献的数据集，支持文本到图像检索和图像到文本主题提取等免OCR任务，为历史文献检索系统提供训练与评估资源。
2024-06-16 cs.CV cs.IR
Archival Faces: Detection of Faces in Digitized Historical Documents
Faculty of Information Technology, Brno University of Technology（信息科技学院，布拉格技术大学）
针对数字化历史文档中人脸检测效果差的问题，本文构建了包含2.2k张图像和11k个标注的领域特定数据集，通过重训练和微调现有检测器显著提升了检测性能。
2025-07-15 cs.CV
Handwriting Classification for the Analysis of Art-Historical Documents
Hasso Plattner Institute（哈索·普拉特纳研究所）；University of Potsdam（波茨坦大学）
数字化档案包含并保存了数百万份文件中几代学者的知识。这些档案的规模要求自动分析，因为专家的手动分析通常过于昂贵。在本文中，我们专注于从WPI的艺术历史档案扫描文件的笔迹分析。由于存档由几种语言编写的文档，并缺乏注释的训练数据的识别模型的创建，我们提出了手写体分类的任务作为一个新的步骤的手写体OCR管道。我们提出了一个手写体分类模型，标签提取的文本片段，如数字，日期，或单词，根据其视觉结构。这种分类支持历史学家突出显示包含特定文本类别的文件，而无需阅读整个内容。为此，我们开发并比较了几种基于深度学习的文本分类模型。在广泛的实验中，我们展示了我们所提出的方法的优点和缺点，并讨论了现实世界数据集上可能的使用场景。
2020-11-04 cs.CV
Historical Document Image Segmentation with LDA-Initialized Deep Neural Networks
University of Fribourg（弗里堡大学）
在本文中，我们提出了一种新的方法来执行深层神经网络逐层权重初始化使用线性判别分析（LDA）。通常，深度神经网络的权重初始化为：随机值，贪婪逐层预训练（通常作为深度信念网络或自动编码器）或通过重用来自另一个网络的层（迁移学习）。因此，在学习有意义的权重之前需要许多训练时期，或者需要相当类似的数据集来播种迁移学习的微调。在本文中，我们描述了如何将LDA转换为神经层或分类层。我们分析了历史文档的初始化技术。首先，我们表明，基于LDA的初始化是快速的，并导致一个非常稳定的初始化。此外，在像素级的布局分析的任务，我们调查的有效性LDA为基础的初始化，并表明它优于国家的最先进的随机权重初始化方法。
2017-10-19 cs.CV
iDocV2: Leveraging Self-Supervision and Open-Set Detection for Improving Pattern Spotting in Historical Documents
Facultad de Ingenierı́a y Ciencias Aplicadas, Universidad de los Andes（工程与应用科学学院，安第斯大学）
本文提出iDocV2模型，通过自监督学习和开放集检测提升历史文档中模式识别的精度与速度，改进后的模型在小非正方形查询中达到新的SOTA性能。
2026-04-17 cs.CV
U-DIADS-Bib: a full and few-shot pixel-precise dataset for document layout analysis of ancient manuscripts
University of Udine（乌迪内大学）；University of Trieste（的里雅斯特大学）
本文提出U-DIADS-Bib数据集及其小样本版本U-DIADS-BibFS，通过计算机辅助分割流程实现古代手稿像素级精确版面分析，旨在弥合计算机视觉与人文学科需求差距并支持少样本模型开发。
2024-01-16 cs.AI cs.CV cs.LG
Importance of Textlines in Historical Document Classification
Brno University of Technology（布尔诺理工大学）
本文介绍了布尔诺理工大学为ICDAR 2021年历史文献分类竞赛准备的一个系统，导致其设计的实验，以及主要发现。解决的任务包括脚本和字体分类、文档来源本地化和日期。我们结合了补丁级和行级的方法，其中行级系统利用现有的，公开可用的页面布局分析引擎。在这两个系统中，神经网络提供本地预测，这些预测被组合到页面级决策中，并且两个系统的结果使用线性或对数线性插值来融合。我们提出了适用于弱监督分类问题的损失函数，其中提供了多个可能的标签，我们提出了适用于区间回归的损失函数的约会任务。行级系统显着提高结果在脚本和字体分类和约会的任务。整个系统在字体、脚本和位置分类任务中分别实现了98.48%、88.84%和79.69%的准确率。在测年任务中，我们的系统实现了21.91年的平均绝对误差。我们的系统在所有任务中取得了最好的成绩，成为比赛的总冠军。
2022-03-30 cs.CV
Image Based Character Recognition, Documentation System To Decode Inscription From Temple
Vellore Institute of Technology Chennai（韦洛尔理工学院金奈校区）
本研究训练并分析OCR方法，以解码布里哈迪斯瓦拉神庙的10世纪泰米尔铭文，使用Tesseract和ICR技术，通过准确率评估性能，旨在提升古代铭文的保存与解读。
2024-05-21 cs.AI cs.CV cs.LG
A proposition of a robust system for historical document images indexation
University of Sfax（斯法克斯大学）；Université de La Rochelle（拉罗谢尔大学）
噪声或古老的文件的特征化是一个具有挑战性的问题，到目前为止。为了实现对这些文档的特征提取和图像识别，已经做了许多技术。总体方法一般不如局部方法稳健和准确。这就是为什么，在本文中，我们提出了一个混合系统的基础上的全球性的方法（分形维数），和一个本地的SIFT描述符的基础上。尺度不变特征变换（ScaleInvariantFeatureTransform）具有旋转不变性和对光照变化的相对鲁棒性，在图像分割的第一步中，对图像进行分形维数的计算，以去除图像中与图像要求特征相距较远的特征。接下来，应用SIFT来显示哪些图像与请求匹配良好。但是，如果单独使用“分形维数”和“SIFT描述符”，则使用混合方法的平均匹配时间优于它们。
2013-08-28 cs.CV
A Two-Stage Method for Text Line Detection in Historical Documents
Planet AI（Planet AI公司）；University of Rostock（罗斯托克大学）
提出了一种两阶段的历史文档文本行检测方法。每个检测到的文本行由其基线表示。在第一阶段，称为ARU-Net的深度神经网络将像素标记为属于三个类别之一：基线，分隔符或其他。分隔符类标记每个文本行的开始和结束。ARU-Net是可以从头开始训练的，只有很少的手动注释的示例图像（少于50个）。这是通过利用数据增强策略来实现的。网络预测被用作第二阶段的输入，第二阶段执行自下而上的聚类以构建基线。开发的方法是能够处理复杂的布局，以及弯曲和任意方向的文本行。它大大优于当前最先进的方法。例如，对于cBAD的复杂赛道：ICDAR 2017基线检测竞赛，F值从0.859增加到0.922。训练和运行ARU-Net的框架是开源的。
2019-07-11 cs.CV
CITlab ARGUS for historical handwritten documents
University of Rostock（罗斯托克大学）
我们描述了CITlab的识别系统的HTRtS竞争附加到14。2014年国际手写识别前沿会议。该任务包括识别历史手写文档。我们的系统的核心算法是基于多维递归神经网络（MDRNN）和连接主义时间分类（CTC）。其背后的软件模块以及基本实用技术基本上由PLANET的ARGUS框架提供支持，用于智能文本识别和图像处理。
2014-12-12 cs.CV cs.NE
ST-KeyS: Self-Supervised Transformer for Keyword Spotting in Historical Handwritten Documents
Digital Research Center of Sfax（斯法克斯数字研究中心）；Computer Vision Center（计算机视觉中心）；Universitat Autònoma de Barcelona（巴塞罗那自治大学）；Blekinge Institute of Technology（布莱金厄理工学院）
历史文献中的关键词识别是数字化馆藏初步探索的重要工具。如今，最有效的KWS方法依赖于需要大量带注释的训练数据的机器学习技术。然而，在历史手稿的情况下，缺乏带注释的语料库进行训练。为了处理数据稀缺问题，我们研究了自监督学习的优点，以提取输入数据的有用表示，而不依赖于人类注释，然后在下游任务中使用这些表示。我们提出了ST-KeyS，一种基于视觉Transformer的掩蔽自动编码器模型，其中预训练阶段基于掩蔽和预测范式，而不需要标记数据。在微调阶段，预先训练的编码器被集成到一个连体神经网络模型中，该模型被微调以改善来自输入图像的特征嵌入。我们进一步改进的图像表示使用金字塔直方图字符（PHOC）嵌入创建和利用基于文本属性的图像的中间表示。在对三个广泛使用的基准数据集（Botany，Alvermann Konzilsprotokolle和George Washington）进行的详尽实验评估中，所提出的方法优于在相同数据集上训练的最先进的方法。
2023-03-06 cs.CV
Npix2Cpix: A GAN-Based Image-to-Image Translation Network With Retrieval- Classification Integration for Watermark Retrieval From Historical Document Images
BRAC University（BRAC大学）；The University of Texas at Dallas（德克萨斯大学达拉斯分校）
针对历史文档水印分类难的问题，提出基于改进U-net的条件GAN网络Npix2Cpix做图像去噪预处理，结合孪生网络单样本分类，在大规模历史水印数据集上实现了高准确率的水印分类与检索。
2024-09-16 cs.CV
Synthesis in Style: Semantic Segmentation of Historical Documents using Synthetic Data
Hasso Plattner Institute（哈索·普拉特纳研究所）；University of Potsdam（波茨坦大学）
历史文档自动分析中最紧迫的问题之一是带注释的训练数据的可用性。问题是，标记样品是一项耗时的任务，因为它需要人类的专业知识，因此不能很好地自动化。在这项工作中，我们提出了一种新的方法来构建合成标记数据集的历史文件，没有注释。我们训练一个StyleGAN模型来合成捕获原始文档核心特征的文档图像。虽然最初，StyleGAN架构并不打算生成标签，但它间接地学习底层语义来生成逼真的图像。使用我们的方法，我们可以从中间特征图中提取语义信息，并使用它来生成地面真值标签。为了研究我们的合成数据集是否可以用于分割历史文档中的文本，我们使用它来训练多个监督分割模型并评估它们的性能。我们还在另一个由最先进的合成方法创建的数据集上训练这些模型，以表明在我们的数据集上训练的模型可以获得更好的结果，同时需要更少的人工注释工作。
2022-05-20 cs.AI cs.CV
A human-inspired recognition system for premodern Japanese historical documents
由于历史文献中文字和背景的噪声、破损等原因，使得历史文献的识别成为一个具有挑战性的问题。然而，在日本的历史文献中，不仅包含上述问题，近代以前的日本文字都是用草书书写的，而且是相连的。因此，基于字符分割的方法不能很好地工作。这导致了创建一个新的识别系统的想法。在本文中，我们提出了一个人类启发的文件阅读系统，以识别多行的前现代日本历史文件。在阅读过程中，人们利用眼睛运动来确定文本行的开始。然后，他们将眼睛从当前字符/单词移动到下一个字符/单词。他们还可以确定一行的结束或跳过一个图形移动到下一行。眼球运动与视觉加工过程相结合，在大脑中运作阅读过程。我们采用基于注意力的编码器-解码器来实现这个识别系统。首先，识别系统检测文本行的起始位置。第二，系统逐字符扫描识别，直到文本行完成。然后，系统继续检测下一个文本行的开始。重复这个过程，直到阅读整个文档。我们在PRMU Kuzushiji竞赛提供的前现代日本历史文件上测试了我们的人类启发识别系统。实验结果表明，我们提出的系统的优越性和有效性，通过实现序列出错率的9.87%和53.81%的水平2和3的数据集，分别。这些结果优于参加PRMU Kuzushiji比赛的任何其他系统。
2019-05-14 cs.CV cs.DL
A Generic Image Retrieval Method for Date Estimation of Historical Document Collections
Computer Vision Center（计算机视觉中心）；Universitat Autònoma de Barcelona（巴塞罗那自治大学）
历史文档图像的日期估计是一个具有挑战性的问题，文献中的一些贡献缺乏从一个数据集推广到其他数据集的能力。本文提出了一个强大的数据估计系统的基础上，在前面的异构集合的检索方法，以及推广。我们使用名为smooth-nDCG的排序损失函数来训练卷积神经网络，该卷积神经网络为每个问题学习文档的排序。所提出的方法的主要用途之一是作为一个工具，历史上下文检索。这意味着学者们可以从大数据集中对历史图像进行比较分析，这些图像产生于哪个时期。我们提供实验评估不同类型的文件，从真正的数据集的手稿和报纸图像。
2022-04-08 cs.CV cs.DL cs.IR
