7

金山办公亮相2023中国图象图形大会 破解“扫描件PDF”编辑难题-品玩

 1 year ago
source link: https://www.pingwest.com/a/282105
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.

金山办公亮相2023中国图象图形大会 破解“扫描件PDF”编辑难题-品玩业界动态

金山办公亮相2023中国图象图形大会 破解“扫描件PDF”编辑难题

article-thumb-lg

5月11日至14日，中国图象图形大会（CCIG 2023）在苏州召开，大会以“图象图形·向未来”为主题，邀请了众多国内外院士、专家进行高水平学术、技术报告，共同探讨图像图形相关行业的发展趋势、创新研究成果、关键技术探索，为行业提供前瞻性视角。金山办公技术总监熊龙飞出席大会“图象图形赋能产业论坛”，分享了金山办公在文档识别与技术领域的最新成果。

article-body

金山办公技术总监熊龙飞在大会上进行主题分享

熊龙飞表示，目前用户的PDF编辑需求中大约有35%是扫描件，如何让编辑“扫描件PDF”更方便，是许多公司正在攻克的难题。作为其中的参与方之一，金山办公内部研发的通用图像文档识别与理解引擎系统——朱墨，已能够解析弯曲变形、要素丰富、排版复杂、污染等挑战下的图像文档，并可将版式和内容信息解析成结构化的文档数据，供给下游PDF编辑模块使用。据悉，朱墨系统目前已上线WPS内的PDF编辑功能，可让用户在编辑“扫描件PDF”时获得几乎与编辑Word文档一样的体验。

“‘扫描件PDF’本质上是纯图片，其中的排版信息、字体信息均已丢失，因此想要编辑‘扫描件PDF’会面临两类挑战。”熊龙飞介绍，一类是由于PDF版式复杂，对象丰富，或文档污染、变形、朝向错误等导致的整体版式挑战；另一类则是保持字体、字号、字色及文字风格统一，段落关系清晰，删除文字后背景自然等在内的细节保持挑战。

熊龙飞还指出，朱墨系统在文档识别过程中，会经过前处理、版面分析、OCR识别、文字属性识别、表格还原等多个环节，首先把不标准的、变形的样张进行校正，把污染痕迹及摩尔纹等进行去除；然后再通过版面分析，识别扫描件中的文字、图像、段落等；之后再对文字部分进行OCR识别以及识别文字的字体、字号、字色等，最后还会对表格等其他对象进行结构化识别。在经过文档识别后，朱墨系统还会通过大模型进行信息及信息关系抽取，理解文字之间的关联，最终将一份扫描文件转化为结构化的文档数据。

article-body

CCIG 2023展会现场

相关功能背后涉及的众多算法模型，是金山办公在文档识别与技术领域的长期积累。以文字与背景分离为例，金山办公技术团队经过多次实践，最终采用了图像分割的算法，该算法相较于常规二值化算法，能够更好地在背景色复杂、分辨率较低、彩色文字等场景中准确拆分扫描件PDF的文字与背景。

此外，在文字颜色识别中，金山办公技术团队会先通过颜色增强，再通过图像识别，更加精准识别扫描PDF中的字体颜色。为了更加方便PDF的后续编辑，金山办公技术团队还通过OCR的CTC定位结果与单字检测模型结果进行结合，得到精确定位的单字位置框，使用户在增加或删除文字时，文字与原始图像位置仍能一一对应。

而在文档识别过程中，一旦发现PDF已经被严重污染，系统便会重新生成一个新的PDF，以保证文件的编辑性及美观性，而如果需要重新生成PDF文件，便会涉及到字体模仿、转化、生成等技术路线。

熊龙飞表示，金山办公始终秉持“技术立业”，不断推动相关技术的应用落地，致力为用户带来更良好的办公体验。在文档识别与技术领域，目前金山办公已解决扫描件PDF编辑难题，面向未来，金山办公还将不断深入文档识别与技术研发，帮助更多用户实现对海报，截图，甚至网图等在内的任意图片的内容编辑。


report

Recommend

About Joyk


Aggregate valuable and interesting links.
Joyk means Joy of geeK