近日，中國圖象圖形大會(CCIG 2023)(簡稱“大會”)在蘇州圓滿落幕。本屆大會以“圖象圖形·向未來”為主題，由中國科學(xué)技術(shù)協(xié)會指導(dǎo)，中國圖象圖形學(xué)學(xué)會主辦，蘇州科技大學(xué)承辦，特邀譚鐵牛院士、趙沁平院士、吳一戎院士等百余位國內(nèi)外知名學(xué)者，來自代表企業(yè)的技術(shù)專家，共話圖像圖形學(xué)術(shù)研究與技術(shù)創(chuàng)新趨勢，共謀行業(yè)新發(fā)展。

　　(金連文主持《文檔圖像智能分析與處理》論壇)

　　技術(shù)論壇《文檔圖像智能分析與處理》是本次大會的亮點之一，由華南理工大學(xué)二級教授、中國圖象圖形學(xué)學(xué)會常務(wù)理事金連文擔(dān)任主持，合合信息智能技術(shù)平臺事業(yè)部副總經(jīng)理、高級工程師丁凱博士出席該論壇，并與來自中科院自動化所、北大、中科大的學(xué)術(shù)專家，華為等知名企業(yè)的研究者們，圍繞文檔圖像處理的前沿技術(shù)展開“頭腦風(fēng)暴”，尋找文檔圖像處理領(lǐng)域的未來進階方向。

　　大模型技術(shù)提升文字識別效率，智能文檔處理難題被突破

　　近期，ChatGPT的爆火讓“大模型”技術(shù)進入了公眾的視野。隨著人工智能技術(shù)的飛速發(fā)展，作為圖像圖形技術(shù)的重要應(yīng)用場景之一，文檔圖像智能處理逐步應(yīng)用到醫(yī)療、教育等諸多領(lǐng)域，為各行各業(yè)提供更加高效、智能的文檔管理和數(shù)據(jù)分析解決方案，大模型技術(shù)的崛起也為文檔處理帶來了新的機遇。

　　中國科學(xué)院自動化研究所副所長劉成林認為，大模型與光學(xué)字符識別(OCR)技術(shù)的結(jié)合，能夠?qū)�海量�?shù)據(jù)進行理解、處理。具體到實踐層面，大模型技術(shù)還有可觀的提升空間。從識別性能來說，大模型技術(shù)在場景文本、邏輯版面、文檔問答等方面還有很多工作可以做;此外，大模型的可解釋性、安全度十分重要，還需要研究者們進行更為深入的探討。

　　(劉成林就《人工智能大模型時代的文檔識別與理解》研究課題進行分享)

　　北京大學(xué)鄒月嫻教授認為，在與文檔圖像處理技術(shù)密切相關(guān)的OCR領(lǐng)域中，專業(yè)化大規(guī)模的預(yù)訓(xùn)練模型是可行的。“大模型是一個大的趨勢，對于小團隊來說做工具是一個非常好的方法，做工具對大家都是有好處的。”鄒月嫻說。

　　(鄒月嫻就《視覺-語言預(yù)訓(xùn)練模型及遷移學(xué)習(xí)方法》研究課題進行分享)

　　華為AI研究員廖明輝提到，企業(yè)作為文檔圖像處理的應(yīng)用方，普遍面臨一個挑戰(zhàn)：當(dāng)有眾多API時，維護難度較高，急需一個垂直領(lǐng)域的通用的OCR大模型，能夠覆蓋所有的使用場景。廖明輝認為，OCR垂直領(lǐng)域的大模型在數(shù)據(jù)量方面，數(shù)據(jù)的數(shù)量不是最關(guān)鍵的，最關(guān)鍵的是數(shù)據(jù)的多樣性。

　　除了引入大模型等新技術(shù)外，如何實現(xiàn)文檔圖像的智能分析與處理還面臨著諸多來自現(xiàn)實的挑戰(zhàn)。丁凱博士認為，文檔的多樣性和復(fù)雜性是文檔圖像處理中的難點：文檔類型和格式繁多，包括報告、合同、發(fā)票、證明、證件等。不同類型的文檔有不同的格式和布局，例如文檔中常常包含圖片、表格、圖形等各種圖像，難以用統(tǒng)一的方法處理。

　　(丁凱就《智能文檔處理技術(shù)在工業(yè)界的應(yīng)用與挑戰(zhàn)》研究課題進行分享)

　　丁凱提到，文檔圖像中的彎曲、陰影、摩爾紋，字跡不清晰等問題對文檔圖像的識別與處理產(chǎn)生了影響，劉成林也表示，“過去我們只關(guān)注文字，現(xiàn)在文檔中的圖像也十分重要。但是，現(xiàn)有文檔圖像識別技術(shù)在識別精度和可靠性、可解釋性、自適應(yīng)性等方面還有明顯不足，還有很多技術(shù)問題有待解決。”

　　值得關(guān)注的是，人工智能大模型的快速發(fā)展為文檔分析與識別帶來了一些機遇，除了解決識別層次的遺留問題，在性能提升、應(yīng)用拓展上大有可為。合合信息通過ROI提取、干擾去除、形變矯正、圖像恢復(fù)以及圖像增強這一整體架構(gòu)對文檔進行智能掃描與識別分析，將文檔圖像的彎曲矯正、摩爾紋去除，圖像質(zhì)量大幅提升。

　　除文檔圖像的通用場景外，合合信息對特定垂直場景下的圖像也能進行預(yù)處理，針對手寫板圖片中出現(xiàn)的反光問題，通過算法模型對反光進行“擦除”。

　　由于版面復(fù)雜多變、文本內(nèi)容多樣化等原因，文檔被拍照、掃描成電子文檔過程中時常出現(xiàn)漏字、錯位，合合信息持續(xù)突破版面分析技術(shù)在版面分割、區(qū)域間的邏輯關(guān)系處理等方面的難題，通過智能文字識別、智能圖像處理等核心技術(shù)，確定文檔中的文字位置、字體、大小和排版方式等信息，實現(xiàn)版面的分析和還原。

　　文檔篡改檢測技術(shù)為視覺內(nèi)容安全提供保障

　　目前，人工智能的合成技術(shù)導(dǎo)致偽造的多媒體信息在網(wǎng)絡(luò)上泛濫成災(zāi)，文本圖像顯然是重災(zāi)區(qū)之一。針對資質(zhì)證書、文案、聊天截圖等文本圖像的偽造被用于散播謠言、經(jīng)濟詐騙、編造虛假新聞，給個人、社會造成惡劣的負面影響。圖像內(nèi)容安全是AI安全的重點領(lǐng)域，如可對文本篡改痕跡進行精準檢測，將為圖像內(nèi)容安全提供保障。

　　中科大教授謝洪濤指出，隨著基于深度學(xué)習(xí)的偽造與取證技術(shù)的出現(xiàn)，目前文本圖像的真?zhèn)舞b定問題進入了攻防博弈階段。“文本圖像的篡改生成視覺質(zhì)量高、字體風(fēng)格統(tǒng)一、背景紋理協(xié)調(diào)、篡改字跡清晰，文本圖像的篡改檢測可以說是‘道高一尺、魔高一丈’，適應(yīng)多種篡改方法、多域空間感知、區(qū)域文理區(qū)分、時間復(fù)雜度適中。”謝洪濤表示。

　　(謝洪濤就《篡改文本圖像的生成與檢測》研究課題進行分享)

　　謝洪濤所在的課題組正在探索基于文本筆跡的文本圖像生成，以及基于頻域關(guān)系的局部紋理差異性建模，最終實現(xiàn)高質(zhì)量的場景文本圖像篡改生成、準確的場景文本圖像篡改檢測。相關(guān)研究可應(yīng)用于文本圖像的多個領(lǐng)域，例如文檔圖像、自然場景圖像、票據(jù)圖像等。

　　合合信息在文檔圖像內(nèi)容安全領(lǐng)域也進行了深入的部署。據(jù)丁凱介紹，合合信息研發(fā)了基于深度學(xué)習(xí)的圖像篡改檢測技術(shù)及相關(guān)系統(tǒng)，通過學(xué)習(xí)圖像被篡改后統(tǒng)計特征的變化，該系統(tǒng)智能捕捉圖像在篡改過程中留下的細微痕跡，可檢測出復(fù)制粘貼、拼接、擦除等多種篡改形式，讓人工智能準確識別出圖片篡改的不同類型，并進行針對性的處理，提升識別精度和場景通用性。據(jù)悉，合合信息圖像篡改檢測技術(shù)已被銀行、保險、制造業(yè)等多個行業(yè)引入。

　　作為一家人工智能企業(yè)，合合信息依托智能文檔處理技術(shù)，對復(fù)雜場景下的多版式、多語種文字內(nèi)容進行精準提取，打造的合同機器人、財報機器人及行業(yè)解決方案，已在金融、政務(wù)、制造、物流等30個行業(yè)落地，服務(wù)的世界500強公司超過80家。未來，合合信息將持續(xù)為全球C端用戶和多元行業(yè)B端客戶提供數(shù)字化、智能化的產(chǎn)品及服務(wù)，促進AI技術(shù)在文檔處理領(lǐng)域的應(yīng)用落地與信息安全保障。