基于层分离方法的领域自适应文档修复
计算机视觉与模式识别
2024-10-08 v1 人工智能
机器学习
摘要
智能文档处理系统的快速演进要求具备鲁棒性的解决方案，能够在无需大量再训练的情况下适应多样化的领域。传统方法常因文档类型可变而表现不佳。为克服这些限制，本文提出一种文本-图形层分离方法，以增强文档图像修复（DIR）系统的领域适应性。我们提出LayeredDoc，利用两层信息：第一层针对粗粒度图形成分，第二层细化机器打印的文本内容。该分层DIR框架能够动态调整以适应输入文档的特征，从而实现有效的领域适应。我们使用新开发的真实世界数据集LayeredDocDB进行评估。该数据集最初在人工合成数据集上训练，模型在DIR任务上展现出强大的泛化能力，为处理实际数据的变异性提供了有前景的解决方案。我们的代码已公开于GitHub。
引用
@article{arxiv.2406.08610,
title = {LayeredDoc: Domain Adaptive Document Restoration with a Layer Separation Approach},
author = {Maria Pilligua and Nil Biescas and Javier Vazquez-Corral and Josep Lladós and Ernest Valveny and Sanket Biswas},
journal= {arXiv preprint arXiv:2406.08610},
year = {2024}
}
备注
Accepted to ICDAR 2024 (Athens, Greece) Workshop on Automatically Domain-Adapted and Personalized Document Analysis (ADAPDA)