Resumen Técnico: LV-ROVER para OCR de Párrafos en Maltés

Declaración del Problema

El maltés, la única lengua semítica con estatus oficial en la UE, se enfrenta a un cuello de botella crítico en la digitalización de su vasto archivo textual (registros parlamentarios, gacetas legales, prensa histórica). Aunque existen corpus de texto y modelos de lenguaje preentrenados, el idioma sufre de restricciones extremas de bajos recursos específicamente para el Reconocimiento Óptico de Caracteres (OCR). Solo se conoce un corpus de PDF etiquetado en el mundo real (57 páginas), lo cual es insuficiente para entrenar reconocedores a nivel de párrafo.

El maltés presenta desafíos técnicos únicos:

1. Diacríticos: El alfabeto incluye cuatro pares de diacríticos (˙C/˙c, ˙G/˙g, ¯H/¯h, Ż/ż) y dígrafos. Las fuentes suelen sustituir silenciosamente las letras base por formas con diacríticos, corrompiendo las etiquetas.
2. Guionización: El idioma utiliza un guion estructural (p. ej., il-kelb) que comparte el codepoint U+002D con los guiones de salto de línea suaves. Distinguir entre ellos requiere conocimiento morfológico, no solo análisis de glifos.
3. Convenciones de Etiquetado: Las etiquetas de referencia (gold labels) utilizan comillas curvas y rayas em, mientras que los motores de OCR estándar producen ASCII recto. La normalización de estas convenciones crea reducciones artificiales en la tasa de error que no reflejan la calidad de reconocimiento real.

Metodología

Los autores proponen LV-ROVER, un sistema diseñado para operar bajo un entorno de cómputo restringido (solo CPU, sin GPU, sin red tras la inicialización). El sistema consta de un pipeline de entrenamiento sintético y un ensamble de inferencia de múltiples flujos.

1. Pipeline de Datos Sintéticos

Debido a la falta de datos de entrenamiento reales, los autores construyeron un pipeline sintético:

• Fuente de Texto: Se utilizó el corpus korpus_malti (467 millones de tokens) a través de 11 configuraciones de dominio con diacríticos. Se incluyó el cambio de código (code-switching) al inglés al 12%.
• Renderizador: Un envoltorio compatible con SynthTIGER que genera recortes de párrafos.
  • Calibración de Resolución: Un hallazgo crítico fue que los renders sintéticos tempranos a 300 DPI tenían el doble de resolución efectiva que los recortes de los benchmarks reales (~150–200 DPI). El renderizador se corrigió para aplicar un reescalado Lanczos de media resolución y una recodificación JPEG para coincidir con las estadísticas del mundo real.
  • Aumentación: Se aplicaron aumentaciones realistas de PDF (rotación, desenfoque, sangrado de tinta, ruido) mientras se desactivaban las operaciones de texto de escena (deformación de perspectiva, resplandor).
  • Etiquetado de Guiones: Cada guion se etiqueta como suave, estructural o compuesto para permitir la evaluación específica de la precisión de unión.
• Validación de Fuentes: Se seleccionaron y validaron 68 fuentes contra un "conjunto canario" de glifos diacríticos para asegurar que no sustituyeran silenciosamente las letras base.

2. Reconocimiento y Ensamble (LV-ROVER)

El motor de reconocimiento central es un ensamble de 5 flujos de Tesseract LSTM. La diversidad se logra sin reentrenar múltiples modelos desde cero, variando tres ejes:

1. Cadena de Lenguaje: Maltés únicamente; Maltés + Italiano; Maltés + Italiano + Francés.
2. Estado de Entrenamiento: Modelos ajustados (fine-tuned) frente a reconocedores estándar (preentrenados).
3. Escala de Imagen: Resolución nativa frente a recortes escalados 2x.

Mecanismo de Votación:
El sistema adapta ROVER (Recognition Output Voting Error Reduction) con modificaciones específicas para entornos de bajos recursos:

• Léxico Suave: En lugar de un léxico de conjunto cerrado, se utiliza una tabla de frecuencia de palabras en maltés.
• Preservación de Diacríticos: Una restricción estricta evita que el voto de la mayoría anule un diacrítico correcto (p. ej., ˙c) por una letra base (c) si el diacrítico está presente en el léxico. Esto actúa como un chequeo "canario".
• Diversidad: El voto depende de las diferencias estructurales entre los cinco flujos (cadena de lenguaje, prior de entrenamiento, escala de imagen) en lugar del remuestreo de datos.

3. Post-procesamiento y Unión

• Unidor Basado en Reglas: Un unidor basado en reglas preexistente resuelve los guiones suaves frente a los estructurales. Se descubrió que es un 99.51% preciso en datos sintéticos, eliminando la necesidad de un reescrito personalizado.
• Cadena de Normalización: Una cadena de cinco etapas alinea la salida con las convenciones de etiquetado del benchmark:
  1. Normalización de marcador de inicio.
  2. Normalización de apóstrofes.
  3. Regla de comilla de apertura posicional.
  4. Voto de restauración de diacríticos: Una etapa específica para recuperar diacríticos mal leídos (ganancia de reconocimiento).
  5. Normalización de comilla de cierre.

4. Protocolo de Evaluación (Dual-CER)

Para distinguir entre mejoras de reconocimiento reales y mera alineación de formato, los autores emplean un protocolo de reporte Dual-CER:

• CER de Reconocimiento: Medido antes de la normalización de post-procesamiento (p. ej., comillas rectas).
• CER de Pipeline Completo: Medido después de aplicar todas las reglas de normalización.
• Harnés de Auditoría: Utiliza intervalos de confianza de bootstrap, pruebas de permutación y datos sintéticos no utilizados (held-out) para asegurar que las reglas de post-procesamiento no se sobreajusten al conjunto de desarrollo ni introduzcan regresiones en los diacríticos.

Resultados Clave

El sistema fue evaluado en un benchmark de 422 párrafos en maltés contra una línea base de Tesseract ajustada (CER 0.0234).

1. Ganancia de Reconocimiento: El ensamble de 5 flujos por sí solo redujo la Tasa de Error de Caracteres (CER) de 0.0234 a 0.01317, una reducción del 44%. Esto se atribuye al voto del ensamble y al ajuste fino.
2. Ganancia de Pipeline Completo: Tras aplicar la cadena de post-procesamiento de cinco etapas, el CER cayó a 0.00700, una reducción del 70% respecto a la línea base.
3. Descomposición: Los autores enfatizan que la ganancia adicional del 26% (de 0.01317 a 0.00700) se debe principalmente a la normalización tipográfica (conversión de comillas rectas a curvas, etc.), no a una mejora en el reconocimiento de caracteres. Solo una etapa en la cadena (el voto de restauración de diacríticos) representa una corrección de reconocimiento genuina.
4. Decodificadores Neurales: Los intentos de usar decodificadores basados en Transformers (TrOCR, FasterDAN) fueron inicialmente infructuosos debido al desajuste de resolución identificado en el pipeline sintético. Una ejecución corregida de un modelo tipo Pix2Struct alcanzó un CER de 0.312, lo que indica que el camino sigue abierto pero requiere más trabajo.

Significación y Reivindicaciones

El artículo reclama su significación principalmente por su enfoque riguroso en la evaluación de OCR de bajos recursos y sus soluciones específicas para la lengua maltesa:

• Métricas Portátiles vs. Específicas: Los autores argumentan que reportar solo la reducción del 70% (0.00700) sobreestima la capacidad de aprendizaje del modelo. Postulan que la reducción del 44% (0.01317) es la estimación portátil de lo que el reconocedor aprendió, mientras que la cifra del 70% es específica de las convenciones tipográficas del benchmark.
• Calibración de Datos Sintéticos: El trabajo destaca que el desajuste de resolución es un factor crítico y a menudo pasado por alto en la transferencia de sintético a real, lo que puede bloquear el rendimiento de los decodificadores neurales más que las elecciones de arquitectura.
• Validación de Reglas: El "Dual-CER" y el harnés de auditoría demuestran que las reglas de post-procesamiento deben validarse contra datos sintéticos independientes para asegurar que no se están simplemente sobreajustando a las idiosincrasias de etiquetado del conjunto de desarrollo.
• Eficiencia de Recursos: El sistema logra una alta precisión en hardware de solo CPU, lo que lo hace viable para entornos donde no hay acceso a GPU.

Los autores concluyen que, aunque el ensamble de Tesseract es el sistema validado para este artículo, la vía neural permanece abierta, y el pipeline se libera para apoyar la digitalización del patrimonio de archivo maltés para sus 520,000 hablantes.