近日，中國圖象圖形大會(huì )（CCIG2023）（簡(jiǎn)稱(chēng)“大會(huì )”）在蘇州圓滿(mǎn)落幕。本屆大會(huì )以“圖象圖形·向未來(lái)”為主題，由中國科學(xué)技術(shù)協(xié)會(huì )指導，中國圖象圖形學(xué)學(xué)會(huì )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外知名學(xué)者，來(lái)自代表企業(yè)的技術(shù)專(zhuān)家，共話(huà)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(huì )的亮點(diǎn)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(huì )常務(wù)理事金連文擔任主持，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(lái)自中科院自動(dòng)化所、北大、中科大的學(xué)術(shù)專(zhuān)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(kāi)“頭腦風(fēng)暴”，尋找文檔圖像處理領(lǐng)域的未來(lái)進(jìn)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(jìn)入了公眾的視野。隨著(zhù)人工智能技術(shù)的飛速發(fā)展，作為圖像圖形技術(shù)的重要應用場(chǎng)景之一，文檔圖像智能處理逐步應用到醫療、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據分析解決方案，大模型技術(shù)的崛起也為文檔處理帶來(lái)了新的機遇。

　　中國科學(xué)院自動(dòng)化研究所副所長(cháng)劉成林認為，大模型與光學(xué)字符識別（OCR）技術(shù)的結合，能夠對海量數據進(jìn)行理解、處理。具體到實(shí)踐層面，大模型技術(shù)還有可觀(guān)的提升空間。從識別性能來(lái)說(shuō)，大模型技術(shù)在場(chǎng)景文本、邏輯版面、文檔問(wèn)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(jìn)行更為深入的探討。

劉成林就《人工智能大模型時(shí)代的文檔識別與理解》研究課題進(jìn)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(zhuān)業(yè)化大規模的預訓練模型是可行的?！按竽Ｐ褪且粋€(gè)大的趨勢，對于小團隊來(lái)說(shuō)做工具是一個(gè)非常好的方法，做工具對大家都是有好處的?！编u月嫻說(shuō)。

鄒月嫻就《視覺(jué)-語(yǔ)言預訓練模型及遷移學(xué)習方法》研究課題進(jìn)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用方，普遍面臨一個(gè)挑戰：當有眾多API時(shí)，維護難度較高，急需一個(gè)垂直領(lǐng)域的通用的OCR大模型，能夠覆蓋所有的使用場(chǎng)景。廖明輝認為，OCR垂直領(lǐng)域的大模型在數據量方面，數據的數量不是最關(guān)鍵的，最關(guān)鍵的是數據的多樣性。

　　除了引入大模型等新技術(shù)外，如何實(shí)現文檔圖像的智能分析與處理還面臨著(zhù)諸多來(lái)自現實(shí)的挑戰。丁凱博士認為，文檔的多樣性和復雜性是文檔圖像處理中的難點(diǎn)：文檔類(lèi)型和格式繁多，包括報告、合同、發(fā)票、證明、證件等。不同類(lèi)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)界的應用與挑戰》研究課題進(jìn)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(wèn)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(guò)去我們只關(guān)注文字，現在文檔中的圖像也十分重要。但是，現有文檔圖像識別技術(shù)在識別精度和可靠性、可解釋性、自適應性等方面還有明顯不足，還有很多技術(shù)問(wèn)題有待解決?！?br />
　　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(lái)了一些機遇，除了解決識別層次的遺留問(wèn)題，在性能提升、應用拓展上大有可為。合合信息通過(guò)ROI提取、干擾去除、形變矯正、圖像恢復以及圖像增強這一整體架構對文檔進(jìn)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(chǎng)景外，合合信息對特定垂直場(chǎng)景下的圖像也能進(jìn)行預處理，針對手寫(xiě)板圖片中出現的反光問(wèn)題，通過(guò)算法模型對反光進(jìn)行“擦除”。

　　由于版面復雜多變、文本內容多樣化等原因，文檔被拍照、掃描成電子文檔過(guò)程中時(shí)常出現漏字、錯位，合合信息持續突破版面分析技術(shù)在版面分割、區域間的邏輯關(guān)系處理等方面的難題，通過(guò)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(shí)現版面的分析和還原。

　　文檔篡改檢測技術(shù)為視覺(jué)內容安全提供保障

　　目前，人工智能的合成技術(shù)導致偽造的多媒體信息在網(wǎng)絡(luò )上泛濫成災，文本圖像顯然是重災區之一。針對資質(zhì)證書(shū)、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(gè)人、社會(huì )造成惡劣的負面影響。圖像內容安全是AI安全的重點(diǎn)領(lǐng)域，如可對文本篡改痕跡進(jìn)行精準檢測，將為圖像內容安全提供保障。

　　中科大教授謝洪濤指出，隨著(zhù)基于深度學(xué)習的偽造與取證技術(shù)的出現，目前文本圖像的真偽鑒定問(wèn)題進(jìn)入了攻防博弈階段?！拔谋緢D像的篡改生成視覺(jué)質(zhì)量高、字體風(fēng)格統一、背景紋理協(xié)調、篡改字跡清晰，文本圖像的篡改檢測可以說(shuō)是‘道高一尺、魔高一丈’，適應多種篡改方法、多域空間感知、區域文理區分、時(shí)間復雜度適中?！敝x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(jìn)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(shí)現高質(zhì)量的場(chǎng)景文本圖像篡改生成、準確的場(chǎng)景文本圖像篡改檢測。相關(guān)研究可應用于文本圖像的多個(gè)領(lǐng)域，例如文檔圖像、自然場(chǎng)景圖像、票據圖像等。

　　合合信息在文檔圖像內容安全領(lǐng)域也進(jìn)行了深入的部署。據丁凱介紹，合合信息研發(fā)了基于深度學(xué)習的圖像篡改檢測技術(shù)及相關(guān)系統，通過(guò)學(xué)習圖像被篡改后統計特征的變化，該系統智能捕捉圖像在篡改過(guò)程中留下的細微痕跡，可檢測出復制粘貼、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(lèi)型，并進(jìn)行針對性的處理，提升識別精度和場(chǎng)景通用性。據悉，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(gè)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)，對復雜場(chǎng)景下的多版式、多語(yǔ)種文字內容進(jìn)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(gè)行業(yè)落地，服務(wù)的世界500強公司超過(guò)80家。未來(lái)，合合信息將持續為全球C端用戶(hù)和多元行業(yè)B端客戶(hù)提供數字化、智能化的產(chǎn)品及服務(wù)，促進(jìn)AI技術(shù)在文檔處理領(lǐng)域的應用落地與信息安全保障。