5月11日至14日，中國圖象圖形大會（CCIG 2023）在蘇州召開，大會以“圖象圖形·向未來”為主題，邀請了眾多國內(nèi)外院士、專家進(jìn)行高水平學(xué)術(shù)、技術(shù)報(bào)告，共同探討圖像圖形相關(guān)行業(yè)的發(fā)展趨勢、創(chuàng)新研究成果、關(guān)鍵技術(shù)探索，為行業(yè)提供前瞻性視角。金山辦公技術(shù)總監(jiān)熊龍飛出席大會“圖象圖形賦能產(chǎn)業(yè)論壇”，分享了金山辦公在文檔識別與技術(shù)領(lǐng)域的最新成果。

金山辦公技術(shù)總監(jiān)熊龍飛在大會上進(jìn)行主題分享

熊龍飛表示，目前用戶的PDF編輯需求中大約有35%是掃描件，如何讓編輯“掃描件PDF”更方便，是許多公司正在攻克的難題。作為其中的參與方之一，金山辦公內(nèi)部研發(fā)的通用圖像文檔識別與理解引擎系統(tǒng)——朱墨，已能夠解析彎曲變形、要素豐富、排版復(fù)雜、污染等挑戰(zhàn)下的圖像文檔，并可將版式和內(nèi)容信息解析成結(jié)構(gòu)化的文檔數(shù)據(jù)，供給下游PDF編輯模塊使用。據(jù)悉，朱墨系統(tǒng)目前已上線WPS內(nèi)的PDF編輯功能，可讓用戶在編輯“掃描件PDF”時獲得幾乎與編輯Word文檔一樣的體驗(yàn)。

“‘掃描件PDF’本質(zhì)上是純圖片，其中的排版信息、字體信息均已丟失，因此想要編輯‘掃描件PDF’會面臨兩類挑戰(zhàn)。”熊龍飛介紹，一類是由于PDF版式復(fù)雜，對象豐富，或文檔污染、變形、朝向錯誤等導(dǎo)致的整體版式挑戰(zhàn)；另一類則是保持字體、字號、字色及文字風(fēng)格統(tǒng)一，段落關(guān)系清晰，刪除文字后背景自然等在內(nèi)的細(xì)節(jié)保持挑戰(zhàn)。

熊龍飛還指出，朱墨系統(tǒng)在文檔識別過程中，會經(jīng)過前處理、版面分析、OCR識別、文字屬性識別、表格還原等多個環(huán)節(jié)，首先把不標(biāo)準(zhǔn)的、變形的樣張進(jìn)行校正，把污染痕跡及摩爾紋等進(jìn)行去除；然后再通過版面分析，識別掃描件中的文字、圖像、段落等；之后再對文字部分進(jìn)行OCR識別以及識別文字的字體、字號、字色等，最后還會對表格等其他對象進(jìn)行結(jié)構(gòu)化識別。在經(jīng)過文檔識別后，朱墨系統(tǒng)還會通過大模型進(jìn)行信息及信息關(guān)系抽取，理解文字之間的關(guān)聯(lián)，最終將一份掃描文件轉(zhuǎn)化為結(jié)構(gòu)化的文檔數(shù)據(jù)。

CCIG 2023展會現(xiàn)場

相關(guān)功能背后涉及的眾多算法模型，是金山辦公在文檔識別與技術(shù)領(lǐng)域的長期積累。以文字與背景分離為例，金山辦公技術(shù)團(tuán)隊(duì)經(jīng)過多次實(shí)踐，最終采用了圖像分割的算法，該算法相較于常規(guī)二值化算法，能夠更好地在背景色復(fù)雜、分辨率較低、彩色文字等場景中準(zhǔn)確拆分掃描件PDF的文字與背景。

此外，在文字顏色識別中，金山辦公技術(shù)團(tuán)隊(duì)會先通過顏色增強(qiáng)，再通過圖像識別，更加精準(zhǔn)識別掃描PDF中的字體顏色。為了更加方便PDF的后續(xù)編輯，金山辦公技術(shù)團(tuán)隊(duì)還通過OCR的CTC定位結(jié)果與單字檢測模型結(jié)果進(jìn)行結(jié)合，得到精確定位的單字位置框，使用戶在增加或刪除文字時，文字與原始圖像位置仍能一一對應(yīng)。

而在文檔識別過程中，一旦發(fā)現(xiàn)PDF已經(jīng)被嚴(yán)重污染，系統(tǒng)便會重新生成一個新的PDF，以保證文件的編輯性及美觀性，而如果需要重新生成PDF文件，便會涉及到字體模仿、轉(zhuǎn)化、生成等技術(shù)路線。

熊龍飛表示，金山辦公始終秉持“技術(shù)立業(yè)”，不斷推動相關(guān)技術(shù)的應(yīng)用落地，致力為用戶帶來更良好的辦公體驗(yàn)。在文檔識別與技術(shù)領(lǐng)域，目前金山辦公已解決掃描件PDF編輯難題，面向未來，金山辦公還將不斷深入文檔識別與技術(shù)研發(fā)，幫助更多用戶實(shí)現(xiàn)對海報(bào)，截圖，甚至網(wǎng)圖等在內(nèi)的任意圖片的內(nèi)容編輯。