Structure-Aware Text Recognition for Ancient Greek Critical Editions

Cet article présente une nouvelle approche de reconnaissance textuelle structurée pour les éditions critiques du grec ancien, basée sur un corpus synthétique et un benchmark réel, démontrant que le modèle Qwen3VL-8B atteint des performances de pointe avec un taux d'erreur de caractères médian de 1,0 % sur des scans historiques.

L'essentiel

🏛️ Le Défi : Décoder les "Livres Mystères" de l'Antiquité

Imaginez que vous devez numériser des livres anciens grecs. Ce ne sont pas de simples pages de roman. Ce sont des éditions critiques, c'est-à-dire des ouvrages de savants remplis de "bruit" visuel :

• Du texte principal au milieu.
• Des notes en marge (comme des post-its géants).
• Des numéros de référence bizarres (parfois au milieu d'une phrase, parfois en haut de page).
• Des titres qui changent de style à chaque page.

Pour un humain, c'est un casse-tête. Pour un ordinateur classique, c'est un cauchemar. Les logiciels de reconnaissance de texte (OCR) habituels sont comme des lecteurs de code-barres : ils sont excellents pour lire un prix sur un paquet de pâtes, mais ils se perdent totalement face à une page remplie de notes manuscrites, de symboles grecs complexes et de mises en page chaotiques. Ils lisent les lettres, mais ils ne comprennent pas l'architecture du document.

🛠️ La Solution : Un Entraînement "Sur Mesure"

Les chercheurs de l'Inria (Nicolas, Antonia, Benoît et Thibault) ont décidé de ne pas se contenter des outils existants. Ils ont créé deux choses magiques pour entraîner de nouvelles intelligences artificielles (des modèles de vision-linguistique) :

1. Le "Simulateur de Vol" (Données Synthétiques) :
   Imaginez un studio de cinéma virtuel. Les chercheurs ont pris des textes grecs anciens (qui existent déjà sous forme numérique) et les ont "imprimés" virtuellement 185 000 fois avec des styles différents. Ils ont changé la police, la taille des marges, la couleur du papier, et ajouté des fautes de frappe ou des variations de mise en page.

   • L'analogie : C'est comme si on entraînait un pilote de chasse dans un simulateur de vol avec 185 000 tempêtes différentes, avant même qu'il ne touche un vrai avion. Cela permet à l'IA d'apprendre à reconnaître le texte même si le "temps" (la mise en page) est mauvais.

2. Le "Terrain de Combat Réel" (Données Réelles) :
   Ensuite, ils ont pris 450 pages réelles, scannées de vrais livres anciens (certains vieux de 200 ans !), et les ont annotées à la main avec une précision chirurgicale. C'est leur examen final.

🤖 Les Résultats : Qui est le meilleur ?

Ils ont testé trois "super-héros" de l'IA (des modèles comme Qwen, DeepSeek et LightOn) dans deux situations :

• En mode "Zéro-shot" : L'IA arrive, voit le livre et doit deviner sans avoir jamais été entraînée sur ce sujet.
• En mode "Entraîné" : L'IA a d'abord étudié le simulateur, puis a fait un stage sur les vrais livres.

Ce qu'ils ont découvert :

• Le choc de la réalité : En mode "Zéro-shot", la plupart des IA étaient catastrophiques. Elles confondaient les lettres, inventaient des mots et perdaient le fil des notes de marge. C'était pire que les vieux logiciels classiques (comme Tesseract).
• La révélation : Une fois entraînées sur leurs données synthétiques, les IA sont devenues des prodiges. Le modèle Qwen3-VL-8B a atteint un niveau quasi-parfait.
  • Le chiffre clé : Il ne fait qu'1 erreur de caractère sur 100 sur les vrais livres scannés. C'est comme si vous lisiez un texte complexe et que vous ne vous trompiez qu'une fois sur un paragraphe entier.

🧠 Ce que ça nous apprend (Le "Pourquoi" c'est important)

L'article nous dit quelque chose de crucial : La précision du texte ne suffit pas.

Un modèle peut être excellent pour lire les lettres (le "qu'est-ce que c'est ?") mais nul pour comprendre la structure (le "où est-ce que ça commence et finit ?").

• L'analogie du traducteur : Imaginez un traducteur qui traduit parfaitement chaque mot d'un poème, mais qui mélange les strophes et supprime les rimes. Le texte est juste, mais le sens est perdu.
• Pour les livres anciens, il faut que l'IA comprenne que "ce petit chiffre en haut à gauche" n'est pas une lettre, mais une référence qui permet aux chercheurs de retrouver le passage dans d'autres livres.

⚖️ Le Bémol : Est-ce que ça vaut le coup ?

Les chercheurs se posent une question éthique et écologique. Ces IA géantes sont puissantes, mais elles consomment beaucoup d'énergie (comme un data center entier).

• Les vieux logiciels (CRNN) sont moins puissants mais très efficaces et écologiques.
• Les nouvelles IA sont flexibles et apprennent vite, mais elles peuvent parfois "halluciner" (inventer du texte) si on ne les surveille pas.

🎯 En résumé

Cette recherche est comme la construction d'un pont solide entre le monde du papier ancien et le monde numérique.

1. Ils ont créé un terrain d'entraînement virtuel massif pour apprendre aux IA à ne pas se perdre dans le chaos des vieux livres.
2. Ils ont prouvé qu'avec le bon entraînement, l'IA peut lire ces livres complexes avec une précision d'or.
3. Ils nous rappellent que pour numériser l'histoire, il ne suffit pas de scanner les lettres ; il faut enseigner à la machine à comprendre l'architecture du livre.

C'est une victoire majeure pour les historiens et les philologues, qui pourront enfin accéder à des milliers de textes grecs anciens sans passer des années à les retranscrire à la main !

Résumé technique

1. Problématique et Contexte

La numérisation des éditions critiques du grec ancien pose un défi majeur pour la reconnaissance optique de caractères (OCR) et la compréhension de documents. Contrairement aux documents modernes, ces textes académiques possèdent une structure complexe et dense :

• Hétérogénéité de la mise en page : Le texte principal est entrelacé avec des hiérarchies de sections, des numérotations de repères (milestones), des références marginales et un appareil critique (variantes de lecture).
• Complexité scripturale : L'utilisation de l'alphabet grec polytonique (accents, esprits, sous-indices) combinée à des mélanges de scripts (grec, latin, chiffres).
• Limites des approches actuelles : Les systèmes OCR traditionnels (modulaires) sont fragiles face à ces mises en page complexes. Les nouveaux modèles de langage-vision (VLM) performants sur des documents modernes échouent souvent à restituer la structure sémantique ou à gérer les spécificités du grec ancien sans entraînement spécifique. De plus, le manque de données d'entraînement ouvertes et annotées structurellement (contrairement au corpus fermé TLG) freine la recherche.

L'objectif de l'article est de développer une OCR sensible à la structure capable de transcrire non seulement les glyphes, mais aussi de restituer fidèlement l'organisation hiérarchique du document (références, notes, titres).

2. Méthodologie et Ressources

Les auteurs proposent une approche combinant la génération de données synthétiques massives et l'évaluation sur un corpus réel annoté manuellement.

A. Construction de Ressources

1. Corpus Synthétique à Grande Échelle :

   • Source : Génération de 185 000 images de pages à partir de textes TEI/XML existants (libres de droits).
   • Pipeline : Un système de rendu transforme le XML en LaTeX avec des configurations typographiques variées (polices, colonnes, couleurs, tailles de page) pour simuler la diversité des éditions imprimées sur deux siècles.
   • Annotation : Le texte est converti en un format Markdown pseudo-structuré avec des balises spécifiques (<ref>, <note>, # pour les titres, <tab/> pour les paragraphes indentés).
   • Qualité : Une vérification rigoureuse (similarité de Levenshtein > 0,99) assure l'alignement parfait entre l'image générée et la transcription de vérité terrain.

2. Benchmark Réel (Données Réelles) :

   • Composition : 460 images numérisées provenant de 30 œuvres (de l'Antiquité à l'époque moderne), couvrant diverses traditions éditoriales (Sources Chrétiennes, Oxford, Patrologia Graeca, etc.).
   • Annotation : Manuelle et validée par deux experts, suivant le même schéma de balisage que les données synthétiques. Ce corpus sert de test pour l'évaluation zero-shot et le fine-tuning.

B. Modèles et Expérimentation

Les auteurs ont évalué trois architectures de pointe (VLM et OCR spécialisé) sous quatre régimes d'entraînement :

• Modèles testés : Qwen3-VL (2B et 8B), DeepSeek-OCR-2 (3B), LightOnOCR-2 (1B).
• Régimes :
  1. Zero-shot (sans entraînement).
  2. Fine-tuning uniquement sur données synthétiques.
  3. Fine-tuning uniquement sur données réelles.
  4. Synth→Real : Entraînement séquentiel (d'abord sur synthétique, puis affinage sur réel).
• Baselines : Tesseract et Kraken (systèmes OCR traditionnels basés sur CRNN).

3. Résultats Clés

A. Performance de Transcription (OCR Pur)

• Limites du Zero-shot : La plupart des modèles VLM sous-performent significativement par rapport aux logiciels OCR classiques (Tesseract, Kraken) en mode zero-shot sur des scans réels.
• Impact du Fine-tuning : L'entraînement améliore drastiquement les résultats.
  • Le modèle Qwen3-VL-8B atteint l'état de l'art avec un Taux d'Erreur de Caractère (CER) médian de 1,0 % sur les scans réels après un entraînement séquentiel Synth→Real.
  • L'entraînement purement synthétique transfère déjà très bien au domaine réel (ex: Qwen3-VL-8B passe de 5,2 % à 1,7 % de CER sans voir de données réelles).
• Stabilité : Les modèles CRNN (Kraken) restent compétitifs et plus stables (moins de variance entre la médiane et la moyenne des erreurs), tandis que certains VLM (comme DeepSeek) souffrent de "défaillances catastrophiques" sur certaines pages (faible médiane, mais moyenne très élevée due à des hallucinations).

B. Reconnaissance de la Structure

• Marqueurs de référence (<ref>) : Bien reconnus par les modèles Qwen (F1 ~79,5 % avec Synth→Real).
• Notes marginales (<note>) : Très sensibles à l'entraînement. Les données synthétiques en contiennent peu (6,1 %), ce qui entraîne des scores faibles en zero-shot ou synth-only. L'exposition aux données réelles est cruciale pour atteindre un F1 de 63,5 %.
• Titres et Indentation : La génération de titres reste difficile en raison de la variabilité des styles. L'indentation des paragraphes est bien gérée par les modèles Qwen (compromis précision/rappel), mais ignorée par les modèles spécialisés en OCR (LightOnOCR, DeepSeek).

C. Analyse des Erreurs

• Les erreurs résiduelles sont principalement orthographiques (confusions sur les accents, les esprits, l'iota souscrit) ou liées à la normalisation.
• Les modèles les moins performants génèrent des artefacts (balises HTML, fragments LaTeX, hallucinations de texte grec), indiquant une dérive générative plutôt qu'un simple bruit orthographique.

4. Contributions Principales

1. Ressources Open Source :
   • Un corpus synthétique massif de 185 000 images de pages grecques avec vérité terrain structurée.
   • Un benchmark réel annoté de 460 images d'éditions critiques.
   • Un pipeline reproductible pour générer ces données pour d'autres langues.
2. Évaluation Systématique : Une analyse comparative rigoureuse des VLM modernes face aux OCR traditionnels sur un domaine de niche (grec ancien, structure complexe).
3. Preuve de Concept : Démonstration qu'un entraînement hybride (Synthétique + Réel) permet aux VLM d'atteindre une précision quasi-parfaite tout en restituant la structure du document.

5. Signification et Conclusion

L'article met en lumière un paradoxe important : la précision textuelle ne garantit pas la compétence structurelle. Bien que certains VLM atteignent des taux d'erreur de caractères inférieurs à 2 %, leur capacité à extraire la structure hiérarchique dépend fortement de l'entraînement sur des données réelles annotées.

• Avantages des VLM : Excellente capacité de transfert et flexibilité pour gérer des mises en page complexes et des scripts rares.
• Défis : Coût computationnel élevé, risque d'instabilité (hallucinations) et besoin de données réelles pour les éléments structurels rares (notes marginales).
• Perspective : Les architectures OCR classiques (CRNN) restent compétitives en termes d'efficacité et de stabilité pour la transcription pure. L'avenir réside probablement dans des approches hybrides combinant la robustesse des pipelines traditionnels et la sensibilité structurelle des VLM.

En somme, ce travail ouvre la voie à une numérisation automatisée de haute qualité pour le patrimoine littéraire grec, en transformant le problème de l'OCR d'une simple transcription de glyphes en une tâche d'interprétation structurelle.