Від ізольованих гліфів до реалістичного рукопису: генерація синтетичних даних із дифузійним уточненням для розпізнавання українського кириличного тексту

Анотація

Розпізнавання рукописної кирилиці, і зокрема української, суттєво відстає від латиниці — насамперед через історичну відсутність великих анотованих датасетів рукопису. У цій роботі брак навчальних даних розглянуто як центральну проблему, яку розв'язано через генерацію синтетичних даних. Спершу протестовано поширені системи оптичного розпізнавання символів (Tesseract, Surya, TrOCR, EasyOCR) на кириличному рукописі й підтверджено, що похибки на рівні символів і слів залишаються суттєво вищими, ніж для англійської, що мотивує підхід, орієнтований на дані. Головний внесок полягає у створенні наскрізного конвеєра генерації синтетичного українського рукопису. Він формує банк ізольованих гліфів зі стандартизованих конкурсних бланків, відфільтровує аномальні зразки у вивченому просторі ознак, добирає очищений фразовий вміст із сучасного українського корпусу, компонує багатослівні рядки, застосовує звичайні візуальні аугментації та уточнює результати за допомогою керованої підказкою універсальної моделі редагування зображень, щоб наблизити вигляд до природного письма. Робота також пропонує автоматичний етап верифікації, покликаний зменшити ризик потрапляння до майбутнього навчального корпусу візуально правдоподібних, але текстово некоректних зразків. Архітектура дає змогу поєднувати в одному рядку гліфи різних авторів, зберігаючи цільову транскрипцію та керовано уточнюючи вигляд письма. У поточному дослідженні дифузійно уточнене розширення показано якісно, а не через повну кількісну перевірку його впливу на подальше розпізнавання. Отже, у статті подано керовану архітектуру синтезу українського рукопису, окреслено її обмеження та визначено протокол валідації, потрібний для встановлення її цінності для розпізнавання.