面向 Khmer 场景文档布局检测的探索
计算机视觉与模式识别
2026-03-03 v1
摘要
尽管拉丁脚本文档布局分析取得了显著进展，推动了大型多模态模型 (LMM) 的应用，但就 Khmer 语言而言，仍面临数据标注稀缺的限制。这一差距在场景文档中尤为突出，因为视角畸变和复杂背景挑战了传统方法。鉴于 Khmer 脚本的结构复杂性，如附加符和多层字符堆叠，现有的基于拉丁的布局分析模型难以准确描绘语义布局单元，尤其是针对密集文本区域（如列表项）。本文提出了 Khmer 场景文档布局检测的首个全面研究。我们贡献了一个由三个关键要素构成的新型框架：(1) 为 Khmer 场景布局专门设计的稳健训练和基准数据集；(2) 能够合成真实场景文档以扩充训练数据的开源文档增强工具；(3) 利用基于 YOLO 的体系结构实现的布局检测基线，采用有向边界框 (OBB) 处理几何畸变。为促进 Khmer 文档分析与识别 (DAR) 社区的进一步研究，我们将在本门户仓库中发布模型、代码和数据集（审阅中）。
引用
@article{arxiv.2603.00707,
title = {Towards Khmer Scene Document Layout Detection},
author = {Marry Kong and Rina Buoy and Sovisal Chenda and Nguonly Taing and Masakazu Iwamura and Koichi Kise},
journal= {arXiv preprint arXiv:2603.00707},
year = {2026}
}
备注
17 pages, 7 figures, 6 tables