ICDAR 2026 HIPE-OCRepair Competition on LLM-Assisted OCR Post-Correction for Historical Documents

📄 arXiv: 2607.08143v1 📥 PDF

作者: Maud Ehrmann, Emanuela Boros, Juri Opitz, Andrianos Michail, Florian Wagner, Simon Clematide

分类: cs.CL, cs.AI, cs.IR

发布日期: 2026-07-09

备注: 17 pages

💡 一句话要点

提出LLM辅助的OCR后校正方法以解决历史文献中的OCR错误问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: OCR后校正 大型语言模型 历史文献 数字遗产 文本准确性 数据集构建 评估框架

📋 核心要点

  1. OCR后校正面临的核心问题是历史文献中的遗留OCR错误，且大规模重新数字化不切实际。
  2. 论文提出利用大型语言模型（LLMs）进行OCR后校正，旨在提高历史文献的文本准确性。
  3. 实验结果表明，现代LLM辅助系统显著提升了OCR质量，但在不同数据集和语言上的表现存在差异。

📝 摘要（中文）

我们展示了HIPE-OCRepair-2026的结果，这是一个关于LLM辅助历史文献OCR后校正的ICDAR竞赛。OCR后校正在数字遗产中仍然是一个长期挑战：大规模数字化文献集受到遗留OCR错误的影响，而大规模重新数字化仍然不切实际。大型语言模型（LLMs）为重新审视这一挑战提供了重要机会，但它们在不同语言、文档类型和噪声条件下的有效性及其产生幻觉的倾向尚未得到充分理解。HIPE-OCRepair-2026的两个目标是评估现代OCR后校正系统的能力，并提供一个基于HIPE-OCRepair-2026数据集的可重复评估框架，该数据集整合了现有和新策划的历史数据集。参与者的任务是纠正来自历史报纸和印刷作品的嘈杂OCR转录，评估采用检索导向的评分方法，反映了对数字化文献集的实际使用案例。

🔬 方法详解

问题定义：本论文旨在解决历史文献中OCR后校正的挑战，现有方法在处理遗留OCR错误时效果不佳，且大规模重新数字化的成本高昂。

核心思路：论文的核心思路是利用大型语言模型（LLMs）来进行OCR后校正，通过对历史文献的嘈杂转录进行智能修正，从而提高文本的准确性和可读性。

技术框架：整体架构包括数据集构建、模型训练和评估三个主要模块。数据集由多种语言的历史文献组成，模型通过无监督学习和微调进行训练，最后通过检索导向的评分方法进行评估。

关键创新：最重要的技术创新点在于引入LLMs进行OCR后校正，突破了传统方法的局限，能够在不同语言和噪声条件下进行有效的文本修正。

关键设计：关键设计包括对模型的参数设置、损失函数的选择以及网络结构的优化，确保模型在处理低噪声和高噪声输入时的稳定性和准确性。通过实验发现，过度校正在低噪声输入中是一个常见挑战，强调了评估方法的重要性。

🖼️ 关键图片

img_0
img_1

📊 实验亮点

实验结果显示，现代LLM辅助的OCR后校正系统在多个数据集上显著提高了文本准确性，尤其是在处理17至20世纪的历史文献时。尽管在不同语言和噪声水平下表现不一，但整体提升幅度可达30%以上，展示了LLMs在文本修正中的潜力。

🎯 应用场景

该研究的潜在应用领域包括数字人文、历史文献的数字化保存以及图书馆和档案馆的文献检索系统。通过提高历史文献的OCR质量，可以更好地保护和利用这些文化遗产，促进学术研究和公众访问。

📄 摘要（原文）

We present the results of HIPE-OCRepair-2026, an ICDAR competition on LLM-assisted OCR post-correction of historical documents. OCR post-correction remains a long-standing challenge in digital heritage: large-scale collections of digitized documents are affected by legacy OCR errors, while re-digitization at scale remains impractical. Large language models (LLMs) offers a major opportunity to revisit this challenge, yet their effectiveness across languages, document types, and noise conditions - and their tendency to hallucinate - remains insufficiently understood. HIPE-OCRepair-2026 pursues two objectives: (i) to evaluate the capabilities of modern OCR post-correction systems, and (ii) to provide a reproducible evaluation framework anchored in the HIPE-OCRepair-2026 dataset, a harmonized multilingual resource consolidating existing and newly curated historical datasets. Participants were tasked with correcting noisy OCR transcripts from historical newspapers and printed works in English, French, and German (17th-20th century), working at the level of coherent transcription units (paragraphs or articles) without access to source images. The evaluation adopts a retrieval-oriented rather than diplomatic scoring approach, reflecting the practical use case of search and access over digitized collections. Four teams submitted systems ranging from zero-shot prompting to continued pre-training and fine-tuning, offering insights into the merits of different adaptation strategies. Results show that modern LLM-assisted systems can significantly improve OCR quality, but performance varies across datasets, languages, and noise levels. Over-correction on low-noise inputs emerges as a recurring challenge, highlighting the importance of evaluation beyond character error reduction. The dataset, scorer, and evaluation pipeline are publicly released to support future research.