今天是2025年7月11日，星期五，北京，晴
继续看文档解析进展，来看看自然场景，尤其是历史文献修复的工作，其是一个很好的技术练兵场，具体可以细化为文本检测、布局分析、阅读顺序、文本ocr以及修复等多个点，这个难度很大，但很有意义。
实际上，我们在之前的文章《文档智能遇上历史古籍：古籍文档修复及识别开源数据集》(https://mp.weixin.qq.com/s/RqeU4f_lquA8DD1MNuHHwQ)有过介绍，其中提到《Predicting the Original Appearance of Damaged Historical Documents》(https://arxiv.org/pdf/2412.11634，https://github.com/yeungchenwa/HDR) 这个工作，构建了一个大规模的数据集HDR28K，基于MTHv2和M5HisDoc两个数据集，分别从这两个数据集的测试集中随机选择536张和891张原始图像作为HDR28K的测试集，算是提出了一个任务，然后做了个端到端的方案，DiffHDR网络-基于扩散的历史文献修复网络DiffHDR，将HDR任务视为一系列扩散步骤，逐步将受损区域转换为与目标字符内容和字符风格相匹配的图像。
现在，来看看一个pipeline的方案，方案也开源了，也很有趣，尤其是其中的投票策略。
历史文献修复的三阶段策略
现有的方法主要侧重于单一模态或有限尺寸的修复，难以满足实际需求，端到端的不太好，所以更直接的方式法模仿历史学家的修复流程：损伤定位->文本预测->外观恢复。
这种工作其实很有社会意义，所以看一个这方面的最新前沿工作《Reviving Cultural Heritage: A Novel Approach for Comprehensive Historical Document Restoration》，https://github.com/SCUT-DLVCLab/AutoHDR，https://arxiv.org/pdf/2507.05108，模型也开源了，AutoHDR-Qwen2-1.5B、AutoHDR-Qwen2-7B
1、先看数据
在数据上，做了一个全页HDR数据集 (FPHDR)，包含1,633张真实图像和6,543张合成图像，这些图像包含字符级和行级位置信息，以及不同损伤等级的字符标注。
还是要说到数据合成，构建了包含三种退化类型的像素级损坏-恢复对样本，
包括：
1) 字符缺失Character Missing：使用LAMA在随机生成的掩模上执行内容移除；
2) 页面损坏Paper Damage：在图像块中以黑色或白色遮盖随机区域以模拟退化；
3) 墨水侵蚀Ink Erosion：通过应用genalog多样的退化模式和核心来模拟水侵蚀和褪色效果。
2、预测模型建模思路
通过三阶段方法模拟历史学家的修复工作流程，如下：
三个步骤：OCR辅助的损坏定位（OADL）用于字符识别和损坏定位，损坏内容预测（DCP）用于文本恢复，以及历史外观恢复（HAR）用于像素级重建，很典型的pipeline。
1）OCR辅助的损害定位（OADL）
OCR辅助的损伤定位阶段主要负责识别清晰可辨的字符，并检测受损字符的位置。
至于什么是轻微受损，什么是重度受损，也是观察的结果：
涉及到两个模型；
一个是使用来自多个中国历史数据集的数据进行训练，包括MTHv2、M5HisDoc、AHCDB和HisDoc1B做的字符级别的OCR模型。
一个是基于DINO的用于定位严重受损字符的检测模型。
训练完这两个模型后，实施定位融合机制，以合并两个模型的定位框，这个在文档目标检测上用的很多，合并检测结果。
这个步骤可看看：
OCR置信度得分低于0.1的字符，表示存在歧义，被认定为受损，并提取其相应的定位框B o。同时，从损伤定位模型中提取定位框Bs。接着，计算所有Bo与Bs之间的交并比。如果bo∈Bo与任何bs∈Bs的交并比大于0.5，则移除bo。相反，如果bo与任何Bs都不重叠（交并比低于0.5），则保留b。
2）损坏内容预测（DCP）
结合OCR的视觉识别和LLM的语言理解能力，预测受损内容。
采用Qwen2作为骨干模型，通过两阶段微调策略增强。
一阶段使用来自Daizhige和HisDoc1B（包含历史文献、诗歌、艺术、佛教文本等）的数据进行增量预训练，以增强模型对古典中文的理解；
二阶段利用CBeta（一个权威的佛教文本仓库）提供的成对的损伤与恢复的历史文本来做微调。
但是，其中有个问题，就是是在古典汉语文本中包含变体字符，即意义相同但书写形式不同的字符，所以使用字符变体来增强数据。
然后呢，问题又来了，由于古典汉语固有的复杂性，同一位置可能自然契合多个合理结果。因此，仅依赖这个LLM无法保证文本恢复的准确性。
所以，从视觉感知的角度来看，OCR方法可以识别轻微损坏的字，这可以作为有价值的辅助信息，减少需要预测的损坏内容量，并减轻LLM的预测负担。
那问题又来了，怎么融合进去？那就是利用OCR识别轻受损字符，LLM专注于重受损字符，分开去做。
这其实就是一个投票算法：
首先，OCR识别轻受损字符：对于每个字符，首先通过OCR技术识别其内容。如果OCR的置信度超过预定阈值，则直接采用OCR的预测结果；
其次，LLM预测重受损字符：对于OCR置信度较低的字符，利用LLM（如Qwen2）进行预测，LLM在处理复杂文本和罕见字符方面具有优势。
最后，综合预测结果，是个融合设计：
（1）基础得分：OCR和LLM概率得分的加权和。OCR对轻微损坏的字符有较高信心，但对严重损坏的字符信心较低，而LLM在后者情况下表现更好；
（2）排名得分：从两个模型预测中字符的排名位置得出得分；分别对LLM和OCR模型输出的概率进行排名，每个模型都根据其概率按照预测顺序生成自己的排名得分，这个排名标准有助于在概率得分接近时区分相似的字符；
（3）匹配奖励：出现在两个模型预测中的字符获得额外得分，表示视觉和语义上的合理性。
最后，将上述得分相加以获得综合得分，得分最高的候选字符被选为最终预测。
3）历史外观恢复（HAR）
基于DiffHDR做了个一个扩散模型，以像素级别恢复受损的历史外观，这类模型很多，包括NAFNet、Uformer和Restormer。
架构上也很简单，模型输入包括受损图像、掩码图像和内容图像，通过去噪生成恢复图像，是一个典型的恢复问题，这个也用在试卷擦除等场景中。
为了扩展到页面级别，引入了补丁自回归（PAR）机制，题首先从受损图像的四个角落动态选择起始补丁，选择损坏字符数量最少的补丁，以确保模型有尽可能完整的字符作为参考。然后对选定的补丁进行恢复，并将其放回原位。接着，一个重叠滑动窗口操作提取下一个补丁，利用先前恢复的区域作为进一步恢复的参考。
3、总结
这个工作借鉴的思路就是合成、分而治之的策略，尤其是其中的投票策略。
现在比较保险的做法，都是分而治之，做成pipeline方案，但这类的方式，就是在时间上不占优势，例如，正如文章所说，AutoHDR利用三阶段过程进行历史文档恢复，本质上在处理速度上存在一定的局限性。在实验中，单张NVIDIA A10 GPU上的推理平均需要约五分钟，此外，其还有误差传播。
所以，这其实又回到那个问题，是否可以直接用超强的多模态大模型去做？本文的开头就提到一个方案，只是效果不好而已。
参考文献
1、https://mp.weixin.qq.com/s/RqeU4f_lquA8DD1MNuHHwQ
2、https://github.com/SCUT-DLVCLab/AutoHDR
（文：老刘说NLP）