From edges to pages: boundary-aware binarization and two-stage reconstruction of historical documents

Résumé

Les documents historiques souffrent souvent de dégradations sévères telles que le bleed-through (translucidité de l’encre), les taches, la décoloration et les pertes physiques, qui compromettent à la fois la lisibilité humaine et l’analyse automatique. La restauration de ces documents doit permettre de récupérer un texte lisible et un arrière-plan fidèle, tout en préservant l’authenticité structurelle et l’utilisabilité dans les flux de travail archivistiques. Les méthodes conventionnelles brouillent souvent les traits fins ou ne parviennent pas à maintenir l’intégrité visuelle, limitant ainsi leur efficacité pratique. Cette thèse propose un cadre de restauration en deux étapes qui optimise conjointement la fidélité des traits et la reconstruction de l’arrière-plan à grande échelle. Dans la première partie, nous présentons BA-GAN (Boundary-Aware Generative Adversarial Network), un cadre robuste de bout en bout pour la restauration d’images de documents historiques fortement dégradés. BA-GAN s’appuie sur un générateur unique guidé par deux discriminateurs : l’un centré sur le contenu global et l’autre sur les contours. En exploitant simultanément les informations globales et locales, le modèle améliore l’extraction des contours de traits, renforce les résultats de binarisation et assure une reconstruction précise des limites textuelles. Les expériences menées sur HDIBCO 2017/2018 démontrent des performances à l’état de l’art, atteignant par exemple, sur DIBCO 2018, un Fm de 89,28, un PSNR de 18,44 dB et un DRD de 4,10. Au-delà de la binarisation, BA-GAN intègre un cadre complet de reconstruction de documents qui restaure à la fois le texte et l’arrière-plan. Une stratégie d’inpainting en deux étapes est mise en oeuvre : une estimation initiale de l’arrière-plan par interpolation pixelique, suivie d’un inpainting basé sur GAN pour reconstruire sans discontinuité le contenu manquant, supprimer le bruit et corriger les artefacts liés au bleed-through (translucidité de l’encre). Les expériences sur READ 2016, évaluées avec les scores VDQAM, montrent des améliorations notables après reconstruction, confirmant une meilleure fidélité visuelle et une lisibilité textuelle accrue. Cette approche permet une restauration robuste de documents historiques entiers tout en préservant leur intégrité structurelle et leur authenticité historique. Les principales contributions de ce travail sont : (i) la proposition d’un cadre novateur de binarisation adversariale formulé comme un jeu à trois acteurs ; (ii) le développement d’une architecture cGAN à double discriminateur permettant une meilleure préservation des contours de traits ; (iii) l’obtention de performances à l’état de l’art sur les benchmarks DIBCO ; et (iv) la conception d’un pipeline de restauration centré sur le document, combinant binarisation et inpainting, validé sur des manuscrits dégradés du monde réel. Bien que des défis subsistent dans les cas de traits à très faible contraste et de forte translucidité croisée, les perspectives futures incluent la fusion multispectrale, l’auto-apprentissage non supervisé et l’intégration de contraintes structurelles plus fortes pour la préservation du contenu.

Date	24 nov. 2025
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Mohamed Cheriet (Directeur(-trice))