古希腊文献批注版本的结构感知文本识别
计算机视觉与模式识别
2026-05-29 v2
摘要
近年来，视觉语言模型（VLM）的快速发展彻底变革了文档理解的端到端方法。然而，这些模型在解释历史学术文本中复杂的布局语义方面的能力仍受限。本文探讨古希腊文献批注版本的结构感知文本识别问题，这类文本具有密集的参考层级结构和 extensive 的边缘注释。我们引入了两个新型资源：（i）来自 TEI/XML 来源生成的、具有受控排版与布局变异的大规模人造语料库，规模达 18.5 万页图像；（ii）涵盖一个多世纪编辑与排版实践的精选真实扫描版图基准数据集。通过这些数据集，我们在零样本与微调两个实验设置下，对评估了三种最新的 VLM。我们的实验结果表明，当面对高度结构化的历史文档时，当前 VLM 架构存在显著局限。零样本设置下，大多数模型的表现显著低于已有的成熟方案。然而，Qwen3VL-8B 模型实现了最佳性能，在真实扫描版上达到 1.0% 的中位数字符错误率（CER）。这些结果既凸显了当前 VLM 在复杂学术文档结构感知识别方面的不足，也揭示了其潜在的发展前景。
引用
@article{arxiv.2603.02803,
title = {Structure-Aware Text Recognition for Ancient Greek Critical Editions},
author = {Nicolas Angleraud and Antonia Karamolegkou and Benoît Sagot and Thibault Clérice},
journal= {arXiv preprint arXiv:2603.02803},
year = {2026}
}