モハメド・ゲシャウイ氏らの研究チームは8月26日(現地時間)、歴史的なアラビア語写本向けに行レベルの注釈を自動化する新しいパイプライン「RefLAM (Reference-grounded Line Annotation for Manuscripts)」を発表した。このシステムは、手作業による注釈付けと比較して最大75倍のスループット向上を実現し、手書き文字認識 (HTR) のトレーニングデータ作成を効率化する。
RefLAMは、写本のページ画像とクリーンな転写テキストを入力として受け取り、人間による確認プロセスを維持しながら、検証済みの行レベルグランドトゥルースを生成する。既存手法が抱える手動注釈のスケーラビリティ課題や、複数の書体、本文と余白の2ゾーンレイアウトへの対応不足といったOCR (Optical Character Recognition) -to-referenceアライメント方法の限界克服を目指す。
RefLAMは、ディープラーニングに基づくページセグメンテーションモデル、構造化OCRを行うMLLM (Multimodal Large Language Model)、そして各OCR行を基準テキストの連続したスパンに紐づける発音記号非依存型ファジーアライメントエンジンを組み合わせている。このアライメントエンジンは、文字レベルで0から100の信頼度スコアを提供する。スコア100はConfidence-100 ruleとして知られ、正規化された文字列が文字通り完全に一致することを論理的に保証する。
この高い信頼性により、レビューアは多くの行を一目で確認でき、手動での再入力を省き、注釈付け作業は優先順位付けされる。不確実なアライメントにのみ注力が集中できるため、作業効率が向上する。研究チームは、7冊の完全にページ検証された書籍で、手動注釈（40行/時）と比較して75倍にあたる3,000行/時のスループット向上を測定した。さらに7冊の書籍に同じ保証を適用し、1週間以内に16,533行の信頼度100の本文行を保持した。
RefLAMの成果物として、「AraMS-28k」というデータセットが公開された。これには14冊の歴史的なアラビア語写本、3,043ページ、27,971行の本文注釈、629行の余白行注釈が含まれる。注釈には、バウンディングボックス、レイアウトラベル、191の余白エントリー（30.4%）の挿入アンカーも付与されている。また、研究チームはAraMS-28kを用いてMuharaf事前学習済みのベースライン（HATFormerを含む）をファインチューニングし、ダウンストリームのHTRトレーニングにおけるその実用的な有用性を裏付けるCER (Character Error Rate) 結果を報告した。
参考: arXiv cs.CV (アーカイブ) — 2026年8月27日 13:00 (JST)
原文ハイライト"RefLAM: A Reference-Grounded Line Annotation Pipeline for Historical Arabic Manuscripts"