Revitalizando o Patrimônio Cultural: Uma Abordagem Inovadora para a Restauração Abrangente de Documentos Históricos

Reviving Cultural Heritage: A Novel Approach for Comprehensive Historical Document Restoration

July 7, 2025

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

cs.AI

Resumo

Documentos históricos representam um patrimônio cultural inestimável, mas sofreram degradação significativa ao longo do tempo devido a rasgos, erosão por água e oxidação. Os métodos existentes de Restauração de Documentos Históricos (HDR, na sigla em inglês) concentram-se principalmente em restaurações de modalidade única ou de tamanho limitado, não atendendo às necessidades práticas. Para preencher essa lacuna, apresentamos um conjunto de dados de HDR de página inteira (FPHDR) e uma nova solução automatizada de HDR (AutoHDR). Especificamente, o FPHDR compreende 1.633 imagens reais e 6.543 imagens sintéticas com localizações em nível de caractere e de linha, além de anotações de caracteres em diferentes graus de dano. O AutoHDR imita os fluxos de trabalho de restauração dos historiadores por meio de uma abordagem em três estágios: localização de danos assistida por OCR, previsão de texto contextual visão-linguagem e restauração de aparência autoregressiva em patches. A arquitetura modular do AutoHDR permite uma colaboração perfeita entre humano e máquina, possibilitando intervenção e otimização flexíveis em cada estágio de restauração. Experimentos demonstram o desempenho notável do AutoHDR em HDR. Ao processar documentos severamente danificados, nosso método melhora a precisão do OCR de 46,83% para 84,05%, com um aprimoramento adicional para 94,25% por meio da colaboração humano-máquina. Acreditamos que este trabalho representa um avanço significativo na restauração automatizada de documentos históricos e contribui substancialmente para a preservação do patrimônio cultural. O modelo e o conjunto de dados estão disponíveis em https://github.com/SCUT-DLVCLab/AutoHDR.

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Historical documents represent an invaluable cultural heritage, yet have undergone significant degradation over time through tears, water erosion, and oxidation. Existing Historical Document Restoration (HDR) methods primarily focus on single modality or limited-size restoration, failing to meet practical needs.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.