arXiv cs.AI· Radha Krishna Deshpande, Ajoy Mondal, Akash Manna, C V Jawahar·· 14 小时前AI 评分31
面向立法档案的鲁棒跨语言 RAG：如何跨越 OCR 噪声读取历史文献
Reading Beyond OCR Noise: Robust Cross-Lingual RAG for Legislative Archives
AI 导读
研究团队提出一套端到端框架，将基于视觉的版面分割、多脚本 OCR 与智能体式 RAG 流水线结合，用迭代智能体循环绕开 OCR 噪声和版面歧义后再生成答案。该系统在 20 万页的 Punjab Vidhan Sabha 档案上完成评测，对历史文档退化表现稳健，优于纯文本基线。
正文 · AI 翻译
摘要：印度的历史公共档案给计算机视觉和文档图像分析带来了严峻挑战：数十年的议会记录仅以退化、多栏扫描页面的形式留存，其中包含混合文字、复杂版式和密集视觉噪声，而 OCR 失败是信息检索的主要障碍。我们提出了一个端到端框架，将基于视觉的版式分割和多文字 OCR 与智能体检索增强生成（RAG）流水线相结合。我们的方法专门处理视觉退化和版式碎片化如何传播为文本提取错误的问题，使用迭代智能体循环在生成答案之前绕过 OCR 噪声和版式歧义。在 20 万页的旁遮普邦立法议会档案上评估时，我们的系统展示了对历史文档退化的稳健处理能力，优于标准的纯文本基线。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；信息检索（cs.IR） |
| 引用为： | arXiv:2610.35240 [cs.CV] |
| （或 arXiv:2610.35240v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.35240 由 DataCite 颁发 arXiv DOI（待注册） |
提交历史
来自：RadhaKrishna Deshpande [查看电子邮件]
[v1]
2026 年 10 月 26 日星期一 11:24:16 UTC（6,934 KB）
来源：arXiv cs.AI · arxiv.org