文件版式多，掃描格式“還原難”怎么辦？合合信息AI破解版面分析與還原難題

　　近期，2023年度視覺與學習青年學者研討會 (Vision And Learning SEminar, VALSE) 圓滿落幕。會議由中國人工智能學會、中國圖象圖形學學會主辦，江南大學和無錫國家高新技術(shù)產(chǎn)業(yè)開發(fā)區(qū)管理委員會承辦。超五千名專家學者、知名高校師生以及來自O(shè)PPO、華為、百度、合合信息等科技企業(yè)的研發(fā)人員齊聚大會，共探計算機視覺、圖像處理、模式識別與機器學習前沿技術(shù)的發(fā)展與應用。

　　VALSE是一個面向計算機視覺與機器學習領(lǐng)域國內(nèi)外華人青年學者的高規(guī)格學術(shù)研討會，本屆會議專注于視覺知識和多重知識表達、語言文字識別與理解等技術(shù)研發(fā)及應用熱點。文檔的智能化處理是計算機視覺在產(chǎn)業(yè)中的重要應用方向，現(xiàn)階段還面臨著諸多挑戰(zhàn)。作為智能文檔處理領(lǐng)域的代表，合合信息出席會議并進行智能文檔處理技術(shù)研發(fā)與實踐成果分享。

　　VALSE Workshop環(huán)節(jié)，合合信息技術(shù)代表就《智能文檔圖像處理技術(shù)應用與實踐》主題進行分享

　　合合信息相關(guān)技術(shù)人員提到，隨著OCR技術(shù)應用面的持續(xù)拓寬，復雜多變的版面、多樣化的文本內(nèi)容給文檔的識別和還原帶來了新的挑戰(zhàn)。“版面分析與文檔還原”技術(shù)對提升文檔圖像電子化的視覺效果、信息提取精準度非常關(guān)鍵，是公司重點發(fā)力的方向之一。

　　文檔中通常含有大量的圖片、表格等非文字內(nèi)容，一篇普通的論文或者文稿，除文字信息外，其版面往往包含頁眉、頁腳、表格、二維碼等多種元素。在向系統(tǒng)輸入文檔圖像后，機器會對文字部分和版面元素進行分析和識別，把若干行文字關(guān)聯(lián)起來，從而獲得正確的順序與段落關(guān)系，這便是版面分析技術(shù)。

　　版面分析的任務目標被分為物理版面分析和邏輯版面分析兩類，前者主要解決區(qū)域分割問題，后者則關(guān)注區(qū)域之間的邏輯關(guān)系或閱讀順序。如何精準地辨別各類元素，并在文檔電子化過程中讓它們回歸到應有的位置，是該項技術(shù)的難點之一。

　　如果無法提升版面分析的精準度，文件材料在被拍照、掃描成電子文檔的過程中便可能出現(xiàn)漏字、錯位的現(xiàn)象，圖片轉(zhuǎn)Word、圖片轉(zhuǎn)Excel等“可編輯”性的需求將無法被滿足。

　　“版面分析與文檔還原技術(shù)能夠幫助機器‘看懂’文檔結(jié)構(gòu)，讓文檔電子化獲得‘所見即所得’的處理效果。”分享環(huán)節(jié)中，合合信息技術(shù)人員提到，文檔圖片的格式轉(zhuǎn)化流程中，在檢測、識別完出文字信息中的字符、坐標信息，以及版面中段落、印章、表格等元素信息后，機器才能“理解”文檔的組成，更好地將圖像“還原”成一個可編輯的Word或Excel文件。

　　合合信息“智能文檔處理——文檔還原系統(tǒng)架構(gòu)”展示

　　據(jù)了解，合合信息版面分析技術(shù)通過解決版面分割、區(qū)域間的邏輯關(guān)系處理等方面的難題，可將文檔圖像切分成不同類型內(nèi)容(文本、圖形、公式、表格等)的區(qū)域，并分析區(qū)域之間的關(guān)系，讓機器更精準地確定文檔中的文字位置、字體、大小和排版方式，從各類版式復雜的圖片文檔中精準獲取信息。

　　合合信息“版面分析與還原”技術(shù)處理效果展示

　　未來，合合信息將持續(xù)為全球企業(yè)和個人用戶提供創(chuàng)新的數(shù)字化、智能化服務，助力個人文檔處理效率提升，加速企業(yè)全生命周期文檔電子化進程。