TongGuOCR: Framework AI per la Trascrizione di Documenti Storici Cinesi
È stato proposto un nuovo framework OCR, TongGuOCR, per migliorare la trascrizione di documenti storici cinesi. Il framework, descritto in un articolo su arXiv (2608.07917), affronta sfide come layout complessi, caratteri rari e ordini di lettura non banali. Consiste in un modulo di pre-elaborazione sensibile al layout che costruisce blocchi di riconoscimento localmente coerenti per preservare il contesto, e un modulo di riconoscimento con token aumentati che espande il vocabolario a livello di carattere per dare ai glifi rari rappresentazioni dirette tramite token, accorciando i percorsi di decodifica. Il framework migliora anche la trascrizione a livello di riga. L'articolo è stato annunciato come nuova sottomissione su arXiv.
Fatti principali
- TongGuOCR è un framework OCR sensibile al layout e con token aumentati per documenti storici cinesi.
- Il framework è descritto nell'articolo arXiv 2608.07917, annunciato come nuova sottomissione.
- Affronta le sfide dell'OCR per documenti storici: layout complessi, caratteri rari e ordini di lettura non banali.
- Il modulo di pre-elaborazione sensibile al layout costruisce e perfeziona blocchi di riconoscimento localmente coerenti.
- Il modulo di riconoscimento con token aumentati espande il vocabolario a livello di carattere per i glifi rari.
- Il framework accorcia i percorsi di decodifica per i caratteri rari dando loro rappresentazioni a token singolo.
- Anche le transizioni da riga a riga vengono migliorate nel modulo di riconoscimento.
- L'obiettivo è consentire il recupero a testo pieno, la collazione e l'analisi computazionale di documenti storici scansionati.
Entità
Istituzioni
- arXiv