Description
Recognizing text in historical Sino-Nom documents is hampered by a severe shortage of labeled training data, compounded by the coexistence of several ancient calligraphic styles. We present a generative pipeline that synthesizes realistic calligraphic document images directly from existing page-level annotations. The method couples diffusion-based per-character font generation with inpainting-based background reconstruction and a layout-aware compositing stage that warps each generated glyph into its original quadrilateral text region while restoring the authentic ink color and stroke contrast, producing synthetic pages whose appearance and layout closely match genuine documents. Applied to the Complete Annals of Đại Việt corpus of 2,450 annotated pages, the pipeline generates large volumes of style-diverse synthetic data at negligible cost. Augmenting real training data with the synthesized set raises character recognition accuracy by up to 4.47%, confirming that the generated images effectively complement scarce real annotations.
Từ khóa
data synthesis, historical documents, Sino--Nom, font diffusion,
character recognition
Thông tin các tác giả
1/ Nguyễn Tư Thành Nhân: Học viên Cao học Trường Đại học Khoa học Tự nhiên, ĐHQG HCM, 227 đường Nguyễn Văn Cừ, Phường Chợ Quán, TP. HCM, email: ngtuthanhan@gmail.com
2/ Nguyễn Duy Đạt: Học viên Cao học Trường Đại học Khoa học Tự nhiên, ĐHQG HCM, 227 đường Nguyễn Văn Cừ, Phường Chợ Quán, TP. HCM, email: duydattqta13@gmail.com
3/ Lương Anh Vinh: TS., đang công tác tại Trường Đại học Công nghệ Sài Gòn, 180 Cao Lỗ, Phường Chánh Hưng, TP. HCM, email: anvinhluong@gmail.com
4/ Đinh Điền: PGS. TS., đang công tác tại Trường Đại học Khoa học Tự nhiên, ĐHQG HCM, 227 đường Nguyễn Văn Cừ, Phường Chợ Quán, TP. HCM, email: ddien@fit.hcmus.edu.vn
