vankey/RealText-V2

--- license: cc-by-nc-4.0 task_categories: - image-segmentation - text-classification - visual-question-answering language: - en - zh - ar - th - ms - id tags: - document-forgery-analysis - forgery-detection - multilingual - document-analysis - tampering-detection size_categories: - 10K<n<100K --- # RealText-V2: A Large-Scale Multilingual Document Forgery Analysis Benchmark  ## 💾 Dataset Description **RealText-V2** is a large-scale multilingual document benchmark dataset purpose-built for multilingual text image forgery analysis, pioneering in both scale and annotation depth. ### Key Features - **20K+ images**: A large-scale benchmark, surpassing existing document forgery analysis datasets by orders of magnitude - **6 languages**: English, Chinese, Arabic, Thai, Malay, and Indonesian — spanning Latin, logographic, Arabic, and Thai script systems, each presenting unique forgery analysis challenges - **6 domains**: Finance, education, healthcare, live streaming, e-commerce, and natural scenes - **Multi-granularity forgery**: Character-level, word-level, and semantic-level tampering - **Multi-source samples**: Real-world and AIGC-synthesized forgery samples covering diverse generation pipelines - **Rich multi-task annotations**: Pixel-level localization masks, tampering type labels, and expert-level natural language explanations ### Competition Timeline **ACM MM 2026 MGC: GenText-Forensics: Challenge on Explainable Forensics and Adversarial Generation for Text-Centric Images** https://www.codabench.org/competitions/15805/ | Phase | Date | | --- | --- | | Competition Launch | April 17, 2026 | | Training Data Release | April 20, 2026 | | Evaluation Submission Opens | May 22, 2026 | | Leaderboard Freeze | May 31, 2026 | | Paper Submission Deadline | June 20, 2026 | | ACM MM 2026, Rio de Janeiro | November 10–14, 2026 | ## 📊 Dataset Structure ``` RealText-V2/ ├── train/ │ ├── image/ # Document images (.jpg for forged, .png for pristine) │ │ ├── part000/ # Sharded at 1000 files per subdirectory │ │ ├── part001/ │ │ └── ... │ ├── mask/ # Binary tampering masks (forged only) │ │ ├── part000/ │ │ └── ... │ └── report/ # Structured forgery analysis reports (.md) │ ├── part000/ │ ├── part001/ │ └── ... ├── doc_sample.png └── metadata.parquet # Index file with sample metadata ``` > **Note:** The test split is withheld for the ongoing ACM MM 2026 competition and will be released after the competition concludes. ### Splits | Split | Total | Black (Forged) | White (Pristine) | |-------|-------|----------------|-------------------| | train | 13,500 | 7,500 | 6,000 | ### Language Distribution (Train) | Language | Code | Black (Forged) | White (Pristine) | |----------|------|----------------|-------------------| | English | en | 2,000 | 1,000 | | Chinese | zh | 2,000 | 1,000 | | Thai | th | 1,000 | 1,000 | | Malay | ms | 1,000 | 1,000 | | Indonesian | id | 1,000 | 1,000 | | Arabic | ar | 500 | 1,000 | ## 📋 Data Fields | Field | Description | |-------|-------------| | `sample_id` | Unique identifier (e.g., `GenText_Forensic_00000000`) | | `language` | Full language name | | `language_code` | ISO 639-1 code | | `type` | `black` (forged) or `white` (pristine) | | `image_file` | Image filename | | `mask_file` | Mask filename (empty for white samples) | | `has_mask` | Whether tampering mask exists | | `report_file` | Report filename | | `report_text` | Full report content | ## 📝 Report Format Each report is a structured markdown document: ```markdown # FORGERY ANALYSIS REPORT **[Conclusion]:** FORGED / PRISTINE **[RISK_SCORE]:** 0-100 ### ANOMALY_001: [type] ([location]) [GROUNDING]: [x1, y1, x2, y2] [REASON]: [explanation text] ## SUMMARY [summary text] ``` ## ⚖️ License This dataset is released under CC-BY-NC-4.0 for research purposes only. ## 🙏 Acknowledgments RealText-V2 is created for the ACM MM 2026 competition on document forgery analysis.许可证：CC-BY-NC-4.0 任务类别： - 图像分割 - 文本分类 - 视觉问答 语言： - 英语 - 中文 - 阿拉伯语 - 泰语 - 马来语 - 印度尼西亚语 标签： - 文档伪造分析 - 伪造检测 - 多语言 - 文档分析 - 篡改检测 规模类别： - 10K<n<100K # RealText-V2：大规模多语言文档伪造分析基准数据集  ## 💾 数据集描述 **RealText-V2** 是一款专为多语言文本图像伪造分析打造的大规模多语言文档基准数据集，在数据集规模与标注深度方面均实现了开创性突破。 ### 核心特性 - **20000+张图像**：本数据集为大规模基准数据集，规模较现有文档伪造分析数据集提升数个数量级 - **6种语言**：涵盖英语、中文、阿拉伯语、泰语、马来语与印度尼西亚语，覆盖拉丁字母、语素文字、阿拉伯字母与泰文字符体系，每种语言均具备独特的伪造分析挑战 - **6大领域**：金融、教育、医疗、直播、电商与自然场景 - **多粒度伪造**：字符级、词级与语义级篡改 - **多源样本**：覆盖真实场景与AIGC合成的伪造样本，涵盖多样化的生成流程 - **丰富的多任务标注**：像素级定位掩码、篡改类型标签与专家级自然语言解释 ### 竞赛时间线 **ACM MM 2026 MGC: GenText-Forensics：面向文本中心图像的可解释取证与对抗生成挑战赛** https://www.codabench.org/competitions/15805/ | 阶段 | 日期 | | --- | --- | | 竞赛启动 | 2026年4月17日 | | 训练数据发布 | 2026年4月20日 | | 评估提交开启 | 2026年5月22日 | | 排行榜冻结 | 2026年5月31日 | | 论文提交截止 | 2026年6月20日 | | ACM MM 2026，里约热内卢 | 2026年11月10日–14日 | ## 📊 数据集结构 RealText-V2/ ├── train/ │ ├── image/ # 文档图像（伪造样本为.jpg格式，原始样本为.png格式） │ │ ├── part000/ # 每个子目录分块存储1000个文件 │ │ ├── part001/ │ │ └── ... │ ├── mask/ # 二值化篡改掩码（仅伪造样本包含） │ │ ├── part000/ │ │ └── ... │ └── report/ # 结构化伪造分析报告（.md格式） │ ├── part000/ │ ├── part001/ │ └── ... ├── doc_sample.png └── metadata.parquet # 包含样本元数据的索引文件 > **注意：** 测试集将用于正在进行的ACM MM 2026竞赛，竞赛结束后将正式发布。 ### 数据集划分 | 划分 | 总数 | 黑样本（伪造样本） | 白样本（原始样本） | |-------|-------|----------------|-------------------| | 训练集 | 13,500 | 7,500 | 6,000 | ### 训练集语言分布 | 语言 | 代码 | 黑样本（伪造样本） | 白样本（原始样本） | |----------|------|----------------|-------------------| | 英语 | en | 2,000 | 1,000 | | 中文 | zh | 2,000 | 1,000 | | 泰语 | th | 1,000 | 1,000 | | 马来语 | ms | 1,000 | 1,000 | | 印度尼西亚语 | id | 1,000 | 1,000 | | 阿拉伯语 | ar | 500 | 1,000 | ## 📋 数据字段 | 字段 | 描述 | |-------|-------------| | `sample_id` | 唯一标识符（例如：`GenText_Forensic_00000000`） | | `language` | 语言全称 | | `language_code` | ISO 639-1标准代码 | | `type` | `black`（伪造样本）或`white`（原始样本） | | `image_file` | 图像文件名 | | `mask_file` | 掩码文件名（白样本为空） | | `has_mask` | 是否存在篡改掩码 | | `report_file` | 报告文件名 | | `report_text` | 完整报告内容 | ## 📝 报告格式 每份报告均为结构化Markdown文档： markdown # 伪造分析报告 **[结论]：** 伪造 / 原始 **[风险评分]：** 0-100 ### 异常项001：[类型] ([位置]) [定位信息]：[x1, y1, x2, y2] [原因说明]：[解释文本] ## 总结 [总结文本] ## ⚖️ 许可证 本数据集采用CC-BY-NC-4.0协议发布，仅可用于科研用途。 ## 🙏 致谢 RealText-V2专为ACM MM 2026文档伪造分析挑战赛打造。