我们通过恢复十年Photoshop手动操作的57.5万张裁剪标签，实现书籍数字化自动化——增加数据、使用ResNet-50和提升分辨率均告失败；而每本书仅需十次操作员点击却超越了这些方法 [P]

我是作者。Ibteda Digital Library是巴基斯坦的一个私人社区档案馆——十年来，我们使用DIY相机装置数字化稀有的乌尔都语书籍（石印本、字典、期刊），并在Photoshop中手工完成每一页。当我们结束日常运营时，我意识到这1,765本书中的575,729页完成页面记录了十年的裁剪决策，因此我将它们重新注册到原始照片（使用SIFT + MAGSAC，并设置保守的接受阈值），并将恢复的几何信息用作监督信号。对于这个子版块，负面结果可能才是最有趣的部分。将训练书籍从378本扩展到572本并没有提高未见书籍的pass@80。ResNet-50（训练拟合更好，验证集持平，校准后变差）、1024像素输入或空间头也没有效果。每本书的错误分析显示了原因：失败主要是由于每卷的近乎恒定偏移——我们操作员偏好的页边距设置，这在新书的像素中并不存在。每本书十次操作员校正的裁剪（逐元素中位数残差）将验证集上的pass@80从0.71提高到0.83。十个标签超越了我们尝试的所有扩展手段。对于修复（污渍/印章移除），我们仅将神经网络用于检测——U-Net提议移除区域，传统的OpenCV重建纸张，而掩码之外的所有内容与原始图像逐字节相同。标签使用了REMOVE/KEEP/IGNORE状态，并且任何被擦除的乌尔都语变音符号都会阻止部署，无论IoU如何。更严格的标签标准不仅提高了标记IoU（从0.56到0.60），还使变音符号的误报降至零。我真诚地想征求两点意见：(1) 是否有人建模过依赖不可见人类偏好而非可见结构的文档边界——有没有关于此类每实例残差校准的先验工作？我们下一步的计划是直接以校准样例为条件训练模型（少样本内嵌推理），而不是事后使用中位数。(2) 有没有任何受约束的扩散/修复设置能保证在声明的支持区域外零修改，或者传统填充仍然是档案工作的唯一可靠选项？完整的训练方案、标签挖掘阈值和路由规则均在复现合同附录中。代码/权重发布仍在档案审查中——我知道，很抱歉——但我很乐意在此回答关于该方法的任何问题。特别说明：不在我们路线图上的是更大的主干网络。我们测试过；缺失的信息不在像素中。链接