HANS：面向手写答题纸噪声混合文档解析的数据集与NA-GOT框架
论文AI 评分 68/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
研究者发布HANS数据集，针对学生答题纸场景，涵盖数学表达式、自然语言文本、手绘表格以及涂改、删除等噪声模式，并提供细粒度标注。该数据集被描述为首个明确面向真实教育场景构建的此类数据集。基于HANS，团队提出NA-GOT端到端框架，通过特征级轻量噪声抑制模块与解码阶段的噪声感知注意力机制实现两阶段噪声抑制。实验显示HANS对现有方法构成显著挑战，而NA-GOT在答题过程识别的准确率与稳定性上均有明显提升。数据集将在论文发表后公开。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载答题纸场景的解析缺口
现有文档解析与手写识别基准主要面向结构良好的印刷文档或孤立的数学表达式，缺少能反映学生答题纸复杂特征的资源。答题纸中常见多行推导过程、文本与数学公式混杂，以及划线涂改等噪声痕迹。HANS正是为填补这一空白而构建，覆盖数学表达式、自然语言文本、手绘表格和包括更正与删除在内的多种噪声模式，并配有细粒度标注，为鲁棒识别研究提供可靠基础。
NA-GOT的两阶段降噪
在HANS之上，作者提出NA-GOT端到端框架。该框架在特征层面设置一个轻量噪声抑制模块，并在解码阶段引入噪声感知注意力机制，从而形成两阶段噪声抑制流程。这一设计针对答题纸中噪声与内容交织的特点，试图在特征提取和解码两个环节分别削弱噪声干扰，而非仅在单一阶段处理。
实验表现与开放计划
实验结果表明，HANS对现有方法构成实质性挑战，说明该数据集所反映的场景难度高于常规基准。NA-GOT在答题过程识别的准确率与稳定性两方面均取得显著提升。数据集计划在论文发表后公开，供后续研究使用。
为什么值得看
教育场景手写答题纸的噪声与混合内容解析长期缺乏专用基准，该数据集与配套框架为智能批改研究提供了可复现的评测基础。
论文数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。