迭代 微调 对复杂历史梵文手稿转录准确性的影响

需要将手写历史手稿中的文本数字化，以使它们易于访问、保存，并使历史学者能够以新的方式研究它们。然而，由于特定时期的书写风格、页面纹理、相机噪音和其他干扰因素，历史手稿经常表现出复杂的异构布局和不标准的外观，这使得它们难以进行 OCR。为了应对这一挑战，我们引入了本地传统 OCR 管道，可以在布局级别和外观级别对目标手稿进行迭代微调。通过适应目标手稿分布，所提出的传统 OCR 管道可以在后续页面上做出更好的预测，从而迭代减少人工注释工作，这既昂贵又耗时，因为它需要历史领域的专业知识。使用此管道，我们对三份复杂的历史梵文手稿中的文本进行数字化，并引入具有精细布局级注释的数据集以及标准 PAGE-XML 格式的 Unicode 注释。我们展示了由于所提出的传统 OCR 管道的迭代 微调 带来的定量收益，并且还在引入的数据集上对领先的多模式 大语言模型 的性能进行了基准测试。代码和数据集可在以下位置获取：https://github.com/flame-cai/gnn-synthetic-layout-historical/。