ShabbyPages：一个可复现的文档去噪与二值化数据集
计算机视觉与模式识别
2023-03-21 v2
摘要
文档去噪与二值化是文档处理领域的基础问题，但当前数据集往往过小且缺乏足够复杂度，无法有效训练和评测现代数据驱动的机器学习模型。为填补此空白，我们引入ShabbyPages，一个专为训练和评测文档去噪器与二值化器而设计的文档图像数据集。ShabbyPages包含超过6000张干净的“原生数字”图像及其合成加噪对应图像（“破旧页面”），后者使用Augraphy文档增强工具进行增广，以呈现如经打印、传真、复印或物理过程其他改动般的外观。本文中，我们讨论ShabbyPages的创建过程，并通过训练能以高度人类可感知保真度去除真实噪声特征的卷积去噪器来展示ShabbyPages的效用，从而为新的ShabbyPages基准建立基线性能。
引用
@article{arxiv.2303.09339,
title = {ShabbyPages: A Reproducible Document Denoising and Binarization Dataset},
author = {Alexander Groleau and Kok Wei Chee and Stefan Larson and Samay Maini and Jonathan Boarman},
journal= {arXiv preprint arXiv:2303.09339},
year = {2023}
}