[简体中文](https://github.com/Royalvice/DocDiff/blob/main/README.md | [English](https://github.com/Royalvice/DocDiff/blob/main/README.EN.md | 论文

DocDiff

这里是论文DocDiff: Document Enhancement via Residual Diffusion Models的官方复现仓库。DocDiff是一个文档增强模型（详见论文），可以用于文档去模糊、文档去噪、文档二值化、文档去水印和印章等任务。DocDiff是一个轻量级的基于残差预测的扩散模型，在128*128分辨率上以Batchsize=64训练只需要12GB显存。不仅文档增强，DocDiff还可以应用在其他图像到图像任务上，比如自然场景去模糊¹，去噪，去雨，超分辨率²，图像修复等低级任务以及语义分割⁴等高级任务。

新闻

置顶: 介绍一款我们实验室开发的多功能且多平台的OCR软件。其中包含了DocDiff的自动去除水印和印章的功能（自动去除水印功能即将上线）。同样包含常用的各种OCR功能，例如PDF转word，PDF转excel，公式识别，表格识别。欢迎试用！
2023.09.14: 上传了水印合成代码utils/marker.py和印章数据集。印章数据集Google Drive
2023.08.02: H-DIBCO 2018 ⁶ 和 DIBCO 2019 ⁷ 的文档二值化结果已经上传。Google Drive
2023.08.01: 祝贺！DocDiff被ACM Multimedia 2023接收！
2023.06.13: 为了方便复现，已上传推理笔记本demo/inference.ipynb和预训练模型checksave/。
2023.05.08: 代码的初始版本已经上传。请查看待办事项列表来获取未来的更新。

使用指南

无论是训练还是推理，你只需要修改conf.yml中的配置参数，然后运行main.py即可。MODE=1为训练，MODE=0为推理。conf.yml中的参数都有详细注释，你可以根据注释修改参数。文档去模糊预训练权重在checksave/。 请注意conf.yml中的默认参数在文档场景表现最好。如果你想应用DocDiff在自然场景，请先看一下注意事项!!!。如果仍有问题，欢迎提issue。

由于要下采样3次，所以输入图像的分辨率必须是8的倍数。如果你的图像不是8的倍数，可以使用填充或者裁剪的方式将图像调整为8的倍数。请不要直接调整大小，因为这样会导致图像失真。尤其在去模糊任务中，图像失真会导致模糊程度增加，效果会变得很差。例如，DocDiff使用的文档去模糊数据集⁵分辨率为300*300，需要先填充到304*304，再送入推理。

环境配置

python >= 3.7
pytorch >= 1.7.0
torchvision >= 0.8.0

水印合成与印章数据集

我们提供了水印合成代码utils/marker.py和印章数据集。印章数据集Google Drive。由于使用的文档背景图像是我们内部的数据，所以我们没有提供背景图片。如果你想使用水印合成代码，你需要自己找一些文档背景图像。水印合成代码是基于OpenCV实现的，所以你需要安装OpenCV。

印章数据集

印章数据集隶属于DocDiff项目，其中包含1597个中文场景下的红色系印章以及它们对应的二值化的掩膜，这些印章数据可以用于印章合成、印章消除等等任务中。由于人力有限，而从文档图片中抠出来印章是极其困难的事情，所以某些印章图片中包含一些噪声。数据集中的原始印章图片大部分来自于ICDAR 2023 Competition on Reading the Seal Title(https://rrc.cvc.uab.es/?ch=20)数据集，少部分来自于我们自己内部的图片。如果您觉得这份数据集对您有帮助，请给我们的项目一个免费的star，谢谢！！！

注意事项!!!

DocDiff的默认配置参数，训练和推理策略是为文档图像设计的，如果要用于自然场景，想获得更好的效果，需要调整参数，比如扩大模型，添加Self-Attention等（因为文档图像的模式相对固定，但是自然场景的模式比较多样需要更多的参数）并修改训练和推理策略。
训练策略：如论文所述，在文档场景中，因为不追求生成多样性，并且希望尽可能缩减推理时间。所以我们将扩散步长T设为100，并预测 $x_0$ 而不是预测 $\epsilon$。在使用基于通道叠加的引入条件（Coarse Predictor的输出）的方案的前提下，这种策略可以使得在逆向扩散的前几步就可以恢复出较好的 $x_0$ 。在自然场景中，为了更好地重建纹理并追求生成多样性，扩散步长T尽可能大，并要预测 $\epsilon$ 。你只需要修改conf.yml中的PRE_ORI="False"，即可使用预测 $\epsilon$ 的方案; 修改conf.yml中的TIMESTEPS=1000，即可使用更大的扩散步长。
推理策略：在文档场景中生成的图像不想带有随机性（短步随机采样会导致文本边缘扭曲），DocDiff执行DDIM³中的确定采样。在自然场景中，随机采样是生成多样性的关键，修改conf.yml中的PRE_ORI="False"，即可使用随机采样。也就是说，预测 $\epsilon$ 的方案与随机采样是绑定的，而预测 $x_0$ 的方案与确定采样是绑定的。如果你想预测 $x_0$ 并随机采样或者预测 $\epsilon$ 并确定采样，你需要自己修改代码。DocDiff中确定采样是DDIM中的确定采样，随机采样是DDPM中的随机采样，你可以自己修改代码实现其他采样策略。
总结：应用于不需要生成多样性的任务，比如语义分割，文档增强，使用预测 $x_0$ 的方案，扩散步长T设为100就ok，效果已经很好了；应用于需要生成多样性的任务，比如自然场景去模糊，超分，图像修复等，使用预测 $\epsilon$ 的方案，扩散步长T设为1000。

To-do lists

星标数量变化

致谢

如果你觉得DocDiff对你有帮助，请给个star，谢谢！🤞😘
如果你有任何问题，欢迎提issue，我会尽快回复。
如果你想交流，欢迎给我发邮件viceyzy@foxmail.com，备注：DocDiff。
如果你愿意将DocDiff作为你的项目的baseline，欢迎引用我们的论文。

@inproceedings{yang2023docdiff,
  title={DocDiff: Document Enhancement via Residual Diffusion Models},
  author={Yang, Zongyuan and Liu, Baolin and Xxiong, Yongping and Yi, Lan and Wu, Guibin and Tang, Xiaojun and Liu, Ziqi and Zhou, Junjie and Zhang, Xing},
  booktitle={Proceedings of the 31st ACM International Conference on Multimedia},
  pages={2795--2806},
  year={2023}
}

参考文献

[1] Whang J, Delbracio M, Talebi H, 等. 通过随机细化进行去模糊[C]//计算机视觉与模式识别IEEE/CVF会议论文集. 2022: 16293-16303.

[2] Shang S, Shan Z, Liu G, 等. ResDiff: 结合CNN和扩散模型进行图像超分辨率[J]. arXiv预印本 arXiv:2303.08714, 2023.

[3] Song J, Meng C, Ermon S. 去噪扩散隐式模型[J]. arXiv预印本 arXiv:2010.02502, 2020.

[4] Wu J, Fang H, Zhang Y, 等. MedSegDiff: 基于扩散概率模型的医学图像分割[J]. arXiv预印本 arXiv:2211.00611, 2022.

[5] Michal Hradiš, Jan Kotera, Pavel Zemčík 和 Filip Šroubek. 用于直接文本去模糊的卷积神经网络. 在Xianghua Xie, Mark W. Jones, 和 Gary K. L. Tam编辑的英国机器视觉会议（BMVC）论文集中，第6.1-6.13页. BMVA Press, 2015年9月.

[6] I. Pratikakis, K. Zagori, P. Kaddas 和 B. Gatos, "ICFHR 2018手写文档图像二值化竞赛（H-DIBCO 2018）," 2018年第16届国际手写识别前沿会议（ICFHR），美国纽约尼亚加拉瀑布市，2018，第489-493页，doi: 10.1109/ICFHR-2018.2018.00091.

[7] I. Pratikakis, K. Zagoris, X. Karagiannis, L. Tsochatzidis, T. Mondal 和 I. Marthot-Santaniello, "ICDAR 2019文档图像二值化竞赛（DIBCO 2019）," 2019年国际文档分析与识别会议（ICDAR），澳大利亚新南威尔士州悉尼，2019，第1547-1556页，doi: 10.1109/ICDAR.2019.00249.