DocRevive：文档文本恢复统一管道
计算机视觉与模式识别
2026-05-25 v2
摘要
在文档理解领域，重建受损、遮挡或不完整文本的挑战仍是一个关键且尚未被充分探索的问题。后续的文档理解任务可以从文档重建过程受益。为此，本文提出了一种新型统一管道，结合最先进的光学字符识别（OCR）、先进的图像分析、掩码语言模型和扩散模型，以恢复和重构文本，同时保持视觉完整性。我们创建了一个包含 30,078 张退化文档图像的合成数据集，模拟多样化的文档退化情景，为恢复任务设定基准。我们的管道检测并识别文本，识别退化情况并使用遮挡检测器，随后使用填充模型进行语义连贯的重构。扩散模块无缝重新集成文本，匹配字体、大小和对齐方式。为评估恢复质量，我们提出了统一上下文相似度指标（UCSM），该指标融合了编辑相似度、语义相似度和长度相似度，并包含一种上下文可预测性度量，用于惩罚在正确文本在上下文中显而易见时出现的偏差。我们的工作推动了文档恢复技术，促进了档案研究和数字保存，同时为文本重构设定了新标准。OPRB 数据集和代码分别可在 \href{https://huggingface.co/datasets/kpurkayastha/OPRB}{Hugging Face} 和 \href{https://github.com/kunalpurkayastha/DocRevive}{Github} 获取。
关键词
引用
@article{arxiv.2604.10077,
title = {DocRevive: A Unified Pipeline for Document Text Restoration},
author = {Kunal Purkayastha and Ayan Banerjee and Josep Llados and Umapada Pal},
journal= {arXiv preprint arXiv:2604.10077},
year = {2026}
}