Wiederbelebung des kulturellen Erbes: Ein innovativer Ansatz zur umfassenden Restaurierung historischer Dokumente

Reviving Cultural Heritage: A Novel Approach for Comprehensive Historical Document Restoration

July 7, 2025

Autoren: Yuyi Zhang, Peirong Zhang, Zhenhua Yang, Pengyu Yan, Yongxin Shi, Pengwei Liu, Fengjun Guo, Lianwen Jin

cs.AI

Zusammenfassung

Historische Dokumente stellen ein unschätzbares Kulturerbe dar, haben jedoch im Laufe der Zeit erhebliche Schäden durch Risse, Wassereinwirkung und Oxidation erlitten. Bisherige Methoden zur Restaurierung historischer Dokumente (Historical Document Restoration, HDR) konzentrieren sich hauptsächlich auf die Einzelmodalität oder die Restaurierung begrenzter Größen, wodurch sie den praktischen Anforderungen nicht gerecht werden. Um diese Lücke zu schließen, präsentieren wir einen vollständigen HDR-Datensatz (FPHDR) und eine neuartige automatisierte HDR-Lösung (AutoHDR). Konkret umfasst FPHDR 1.633 reale und 6.543 synthetische Bilder mit Zeichen- und Zeilenebenen-Lokalisierungen sowie Zeichenannotationen in verschiedenen Schadensgraden. AutoHDR imitiert die Restaurierungsabläufe von Historikern durch einen dreistufigen Ansatz: OCR-gestützte Schadenslokalisierung, kontextbasierte Textvorhersage mittels Vision-Language und autoregressive Erscheinungsrestaurierung von Bildausschnitten. Die modulare Architektur von AutoHDR ermöglicht eine nahtlose Mensch-Maschine-Kollaboration, die flexible Eingriffe und Optimierungen in jeder Restaurierungsphase erlaubt. Experimente zeigen die bemerkenswerte Leistung von AutoHDR in der HDR. Bei der Verarbeitung stark beschädigter Dokumente verbessert unsere Methode die OCR-Genauigkeit von 46,83 % auf 84,05 %, mit einer weiteren Steigerung auf 94,25 % durch Mensch-Maschine-Kollaboration. Wir glauben, dass diese Arbeit einen bedeutenden Fortschritt in der automatisierten Restaurierung historischer Dokumente darstellt und einen wesentlichen Beitrag zur Bewahrung des Kulturerbes leistet. Das Modell und der Datensatz sind unter https://github.com/SCUT-DLVCLab/AutoHDR verfügbar.

English

Historical documents represent an invaluable cultural heritage, yet have undergone significant degradation over time through tears, water erosion, and oxidation. Existing Historical Document Restoration (HDR) methods primarily focus on single modality or limited-size restoration, failing to meet practical needs. To fill this gap, we present a full-page HDR dataset (FPHDR) and a novel automated HDR solution (AutoHDR). Specifically, FPHDR comprises 1,633 real and 6,543 synthetic images with character-level and line-level locations, as well as character annotations in different damage grades. AutoHDR mimics historians' restoration workflows through a three-stage approach: OCR-assisted damage localization, vision-language context text prediction, and patch autoregressive appearance restoration. The modular architecture of AutoHDR enables seamless human-machine collaboration, allowing for flexible intervention and optimization at each restoration stage. Experiments demonstrate AutoHDR's remarkable performance in HDR. When processing severely damaged documents, our method improves OCR accuracy from 46.83\% to 84.05\%, with further enhancement to 94.25\% through human-machine collaboration. We believe this work represents a significant advancement in automated historical document restoration and contributes substantially to cultural heritage preservation. The model and dataset are available at https://github.com/SCUT-DLVCLab/AutoHDR.