Dokumentendigitalisierung sollte die Lesbarkeit nicht beeinträchtigen
Die Liste der Beispiele ließe sich noch weiter fortsetzen. Klar wird jedoch bereits jetzt, dass digitalisierte Dokumente nicht immer den optimalen Lesekomfort bieten. Glücklicherweise steht mit „Super Resolution“ ein Bildbearbeitungsverfahren zur Verfügung, das diese Problematik behebt.
Superresolution: fehlende Bildbestandteile automatisch ergänzen
Superresolution ist ein Verfahren, mit dem die Qualität von Bildern (wie z. B. eingescannte Dokumente) automatisch analysiert und optimiert werden kann. Das Ziel ist es hierbei, eine höhere Auflösung (Größe und Bildschärfe) zu erreichen. Vereinfacht ausgedrückt besteht die grundlegende Aufgabe dieses Upscaling-Prozesses darin, fehlende Pixel zwischen vorhandenen Pixeln einzufügen. Dafür existieren mehrere Methoden:
- Nearest-Neighbour-Methode: nächstgelegenes Originalpixel kopieren
- Bilineare Interpolation: Position neuer Pixel auf Basis benachbarter Pixel berechnen
- Bikubische Interpolation: Wert anhand einer nicht-linearen Funktion ermitteln
Leider haben all diese Methoden eine grundsätzliche Schwachstelle: Sie folgen vergleichsweise einfachen Regeln und sind nicht in der Lage, einem Bild neue Informationen hinzuzufügen. Ein Mensch ist ihnen hingegen deutlich überlegen. Er kann sich anhand des umgebenden Kontexts beispielsweise scharfe Linien oder geschlossene Schleifen von Buchstaben „hinzudenken“. Künstliche Intelligenz ist ebenfalls in der Lage, sich diese Fähigkeit anzueignen – geeignetes Training vorausgesetzt.
Wie funktioniert KI-basierte Superresolution?
Superresolution, genauer gesagt Image Super Resolution, basiert auf einem Machine-Learning-Modell, das Bilder mit niedriger Auflösung eigenständig in hochauflösende Bilder verwandelt. Trainieren lassen sich solche Modelle, indem die Qualität eines zunächst hochauflösenden Bilds schrittweise verringert wird, bis sie beispielsweise nur noch der eines sehr schlechten Scans entspricht. Anschließend lernt der Algorithmus, diesen Prozess umzudrehen – also die Qualität Schritt für Schritt zu verbessern. Bei Texten muss dieser Trainingsvorgang selbstverständlich mit allen gängigen Schriftarten durchlaufen werden. Deutlich komplizierter (aber ebenfalls nicht unrealistisch) wird es, wenn auch Handschrift verarbeitet werden soll.
Superresolution als wichtiger Baustein der reibungslosen Dokumentendigitalisierung
Ob altes Dokument aus dem Archiv, Scan mit zu kleiner Schrift oder verschwommenes Handy-Foto: Mit CIB superResolution kann die Lesbarkeit von Dokumenten in vielen komplizierten Szenarien signifikant verbessert werden. Für den Transformationsprozess hat das Verfahren somit eine wichtige Bewandtnis: Es sichert die Qualität und problemlose Konsumierbarkeit der digitalisierten Informationen. Im CIB doXiview Showcase können Sie am Beispieldokument die Funktionalität begutachten: Hier klicken
CIB hat das Potenzial derartiger Methoden bereits früh erkannt und forscht daher im Rahmen mehrerer Projekte daran, die Dokumentenqualität mithilfe verschiedener Ansätze automatisiert zu verbessern. „Document Deep Learning Super Resolution“ ist hierbei eine wichtige Komponente. Denn die Methode hilft dabei, suboptimale Scans durch intelligentes Vergrößern und Schärfen für den Menschen besser lesbar zu machen. Doch auch Ansätze wie Auto-Cropping und Auto-Rotation (Dokumentenseiten automatisch zuschneiden, rotieren und perspektivisch entzerren) sowie Fraud Detection (Erkennung gefälschter oder manipulierter Inhalte) werden durch das CIB KI-Team evaluiert. Das Ziel ist es, die Forschungsergebnisse schrittweise in die CIB Lösungen einfließen zu lassen, sodass künftig selbst in äußerst schwierigen Fällen eine optimale Dokumentenqualität realisiert werden kann. CIB superResolution wird hier ein wichtiger Baustein im Digitalisierungsprozess mithilfe von KI.
