데이터 오염 전략을 활용한 실용 정보 시스템 내 광학 문자 인식(OCR) 텍스트 수정 프레임워크: Revise

Revise: A Framework for Revising OCRed text in Practical Information Systems with Data Contamination Strategy

최근 대규모 언어 모델(LLM)의 발전은 문서 AI 분야에 큰 영향을 미쳤으며, 질의 응답과 같은 문서 이해 작업에서 뛰어난 성능을 보여주고 있습니다. 그러나 기존의 접근 방식은 특정 작업 해결에 집중하는 경향이 있으며, 문서 정보를 체계적으로 구성하고 관리하는 능력은 부족합니다. 이러한 한계를 극복하기 위해, 우리는 문자, 단어, 그리고 구조 수준에서 OCR로 인해 발생하는 오류를 체계적으로 수정하는 프레임워크인 Revise를 제안합니다. 특히, Revise는 일반적인 OCR 오류에 대한 포괄적인 계층적 분류 체계를 사용하며, 효과적인 수정 모델을 훈련하기 위해 이러한 오류를 현실적으로 시뮬레이션하는 합성 데이터 생성 전략을 활용합니다. 실험 결과는 Revise가 OCR 결과를 효과적으로 수정하여 문서 콘텐츠를 보다 체계적으로 표현하고 관리할 수 있음을 보여줍니다. 결과적으로, 우리의 방법은 문서 검색 및 질의 응답 작업의 성능을 크게 향상시키며, 기존 문서 AI 프레임워크의 구조적 관리 한계를 극복할 수 있는 잠재력을 보여줍니다.

Recent advances in Large Language Models (LLMs) have significantly improved the field of Document AI, demonstrating remarkable performance on document understanding tasks such as question answering. However, existing approaches primarily focus on solving specific tasks, lacking the capability to structurally organize and manage document information. To address this limitation, we propose Revise, a framework that systematically corrects errors introduced by OCR at the character, word, and structural levels. Specifically, Revise employs a comprehensive hierarchical taxonomy of common OCR errors and a synthetic data generation strategy that realistically simulates such errors to train an effective correction model. Experimental results demonstrate that Revise effectively corrects OCR outputs, enabling more structured representation and systematic management of document contents. Consequently, our method significantly enhances downstream performance in document retrieval and question answering tasks, highlighting the potential to overcome the structural management limitations of existing Document AI frameworks.