DocHR14K

DocHR14K是一个大规模的高分辨率文档图像去亮点数据集，由14,902对高分辨率图像组成，涵盖了六大类文档，并在九种不同的照明条件下捕获。该数据集是首个专门针对文档图像去亮点任务的高分辨率数据集，涵盖了广泛的实际世界照明条件，有助于模型的泛化和有效去亮点。

DocHR14K is a large-scale high-resolution dataset for document image highlight removal. It comprises 14,902 pairs of high-resolution images, covering six major categories of documents, and was acquired under nine distinct lighting conditions. As the first high-resolution dataset specifically tailored for the document image highlight removal task, it encompasses a broad spectrum of real-world lighting conditions, which facilitates model generalization and effective highlight removal.

搜集汇总

数据集介绍

构建方式

在文档图像处理领域，反射性文档在环境光照下常出现镜面高光，严重影响文本可读性和视觉质量。DocHR14K数据集的构建采用了改进的交叉偏振技术，通过实验室和真实环境下的多角度拍摄，收集了14,902对高分辨率图像对，涵盖六种文档类别和九种光照条件。数据采集过程中，利用线性偏振器和圆偏振镜的组合，有效分离高光和漫反射图像，并通过后期处理确保图像对齐和质量控制。

特点

DocHR14K数据集以其高分辨率和多样性著称，平均分辨率达到2319×1553，是目前文档高光去除任务中分辨率最高的数据集之一。其独特之处在于涵盖了书籍、海报、菜单等多种文档类型，并在冷光、白光、暖光及彩色光照条件下进行采集，模拟了真实世界中的复杂光照场景。此外，数据集还包含非垂直角度拍摄的图像，进一步增强了其实用性和泛化能力。

使用方法

DocHR14K数据集适用于训练和评估文档图像高光去除算法。研究人员可利用其丰富的图像对进行监督学习，通过对比高光污染图像与干净图像，开发高光检测和去除模型。数据集的多类别标签支持针对不同文档类型和光照条件的专项研究，而其高分辨率特性则有助于模型在细节恢复方面的优化。此外，数据集还可用于测试模型在真实场景下的泛化性能。

背景与挑战

背景概述

DocHR14K是由吉林大学、中央研究院信息科学研究所、国立阳明交通大学和国立台湾大学的研究团队于2025年提出的一个大规模真实世界文档图像高光去除数据集。该数据集包含14,902对高分辨率图像，涵盖六种文档类别和多种光照条件，旨在解决文档图像中因环境光照导致的镜面高光问题。文档高光不仅降低图像质量，还严重影响文本相关视觉任务的性能，如文档增强、光学字符识别（OCR）和布局分析。DocHR14K的推出填补了现有数据集的空白，为高分辨率文档图像高光去除研究提供了重要支持。

当前挑战

DocHR14K面临的挑战主要包括两方面：领域问题挑战和构建过程挑战。在领域问题方面，文档图像高光去除需要处理高分辨率图像中的细粒度文本和图形细节，现有方法在低分辨率自然图像上表现良好，但在高分辨率文档图像上效果有限。在构建过程中，数据采集面临真实世界光照条件多样性和对齐难题，传统交叉偏振技术在非实验室环境下实用性受限。此外，高质量高光-无高光图像对的获取需要精确的光照控制和后期处理，以确保数据的一致性和可用性。

常用场景

经典使用场景

DocHR14K数据集在文档图像高光去除领域具有广泛的应用价值。其高分辨率和多样化的光照条件使其成为评估和开发高光去除算法的理想基准。研究人员可以利用该数据集训练深度学习模型，以实现在不同光照环境下对文档图像中高光区域的精确检测和去除，从而提升文本的可读性和图像的整体质量。

实际应用

在实际应用中，DocHR14K数据集可显著提升文档数字化处理的质量。例如，在办公自动化场景中，该数据集训练的模型能够有效去除扫描文档中的反光干扰，提高OCR识别的准确率。在教育领域，可帮助改善教学资料的数字化质量。此外，在金融和法律等行业，该技术能确保重要文件如身份证、合同等的高质量电子化存档。

衍生相关工作

基于DocHR14K数据集，研究者们已开展多项创新工作。最具代表性的是论文中提出的L2HRNet网络，该网络利用拉普拉斯金字塔分解和扩散模型实现了高效的高光去除。此外，该数据集还启发了后续关于文档图像增强、跨模态文档理解等方向的研究。部分工作进一步探索了结合物理模型与深度学习的方法，以提升在极端光照条件下的处理效果。