ICDAR 2026 HIPE-OCRepair Competition on LLM-Assisted OCR Post-Correction for Historical Documents
ICDAR 2026 历史文档 OCR 后校正竞赛：LLM 辅助方法评估
🧭 LLM 辅助 OCR 后校正 · 历史文档多语言基准
École Polytechnique Fédérale de Lausanne (EPFL) · University of Zurich
组织多语言历史文档 OCR 后校正竞赛，评估 LLM 在不同噪声和语言下的校正能力与过校正风险。
📌 工作参考价值
- 论文面向数字人文领域，与电商/推荐系统的直接关联度较低。
- 可借鉴的思路：利用 LLM 对搜索 query 或商品描述中的 OCR/文本噪声进行后校正，提升索引与召回质量；采用检索导向评估而非逐字匹配来贴合实际搜索场景。
- 低噪声环境下 LLM 过校正的发现提醒，在生成式推荐文案纠错时需控制模型改写自由度，避免引入新错误。
动机：大规模历史文档数字化中存在大量遗留 OCR 错误，重扫成本高。LLM 为后校正带来机遇，但其跨语言、跨文档类型和噪声水平的有效性及幻觉风险尚不明朗。
方法关键点：组织 ICDAR 2026 HIPE-OCRepair 竞赛，提供统一的多语言（英、法、德）历史报纸和印刷品数据集（17-20 世纪）。参与者收到段落级噪声 OCR 文本，不提供原始图像，需输出校正版本。评估采用检索导向指标（而非字符级严格匹配），模拟数字馆藏搜索和访问的真实场景。
关键结果：四支队伍提交系统，涵盖零样本提示、持续预训练与微调。结果表明：LLM 辅助系统能显著提升 OCR 质量，但表现因数据集、语言和噪声程度而异；低噪声输入上普遍出现过校正问题，强调需要超越字符错误减少的评估视角。竞赛数据集、评分器和流程均已公开发布。