PereStruct: как научить ИИ читать пожелтевшие газеты, а не просто распознавать буквы

Человек, открывая скан старой советской газеты, легко видит: вот заголовок, вот продолжение в соседней колонке, а это подпись под фото. Для алгоритма — просто выцветшая страница с десятками прямоугольников, нестандартными шрифтами и непонятным порядком чтения. Даже идеальный OCR не даст готовый документ: надо понять, какие куски текста принадлежат одной статье, где начало, как соединить блоки и что выкинуть.

Авторы представили PereStruct — модульный конвейер, который решает эту задачу. Он объединяет детектор вёрстки на базе YOLO, Yandex Vision OCR, коррекцию ошибок моделями Yandex AI Studio и отдельную модель семантической сборки статей. Такой подход позволяет восстанавливать логическую структуру страницы, а не просто выдавать распознанные фразы.

Вместе с кодом команда опубликовала размеченный датасет и бенчмарк — чтобы другие исследователи могли пробовать свои методы на исторических документах и сравнивать результаты. Это шаг к тому, чтобы цифровые архивы становились по-настоящему читаемыми для машин.