ランジット・ラウト (Ranjit Raut) 氏らは9月2日(現地時間)、手書き文字認識 (HCR) の性能向上と多言語対応を目指す新たなアーキテクチャ「GraphemeNet (グラフェムネット)」に関する研究論文を学術系プレプリントサーバーarXivで発表した。既存モデルがストローク構造を暗黙的に学習するのに対し、GraphemeNetはスクリプトの幾何学的規則性を明示的に組み込む「Structural-prior efficiency」の原則に基づき、より正確かつ少ないパラメータで動作する。
手書き文字認識 (HCR) において、非ラテン文字圏での研究はこれまで十分とは言えなかった。従来の手法は、これを一般的な画像分類問題と捉え、モデルの規模を拡大することでストローク構造を暗黙的に学習するアプローチが主流だった。
今回発表された「GraphemeNet」は、統一された多文字体系対応アーキテクチャとして設計されており、2つの直交するバイナリ軸によってその機能が制御される。
第1の軸は、Persistent Scaffold Injection (PSI: パーシステント・スキャフォールド・インジェクション) を介して、ストロークレベルの幾何学的規則性を操作する。これは、スクリプト固有の非対称畳み込みを利用し、エンコーダの各ステージにおいてストローク足場を重み付けされた残差として注入する。これにより、学習された特徴をスクリプトの幾何学形状に継続的に固定する。このアプローチは、スキップ接続、補助損失、またはアテンションの重み付けとは異なる手法である。
第2の軸は、グリフの識別が空間的関係推論を必要とするかどうかに応じて、ゲート付き融合によるグローバル平均プーリングと、Stroke Topology Module (STM: ストローク・トポロジー・モジュール) を備えたクロススケールアテンションのいずれかを選択する。この選択機構と並行して、$O(n)$ ルーティングを備えたLinear Capsule Routing (LCR: リニア・カプセル・ルーティング) が普遍的に共有される。
このGraphemeNetアーキテクチャは、8つの文字体系にわたる14のベンチマークで評価された。その結果、スクリプトごとにスキャフォールドとデコーダのトポロジーのみを変化させることで汎化し、公表されている従来のベースラインモデルを常に上回る性能を示した。この成果により、Structural-prior efficiencyが多文字体系HCRに広く適用可能な原則であることが確立された。
参考: arXiv cs.CV (アーカイブ) — 2026年9月11日 13:00 (JST)