كسر حلقة الهلوسة: كيف يختزل TOLA الدقة الفائقة لنصوص الانتشار إلى خطوة واحدة

يمثل النص المشوش تحدياً خاصاً في مجال ترميم الصور؛ ففي أي قصاصة متدهورة الجودة، يمكن لضربة قلم (stroke) مفقودة أو مدمجة أن تغير المحرف الذي يراه القارئ، حتى وإن بدت الصورة المرممة فائقة النقاء. ومن ثم، يتعين على تقنيات الدقة الفائقة لصور النصوص (Text image super-resolution) استعادة التفاصيل البصرية مع الحفاظ في الوقت ذاته على هوية المحارف.

ولا تُصمم الطرق العامة للدقة الفائقة في الصور لتلبية هذا المتطلب الثاني تحديداً؛ إذ يمكنها تحسين المظهر الجمالي للصورة دون ضمان استعادة نصها المكتوب بدقة وموثوقية. ويكتسب هذا الفارق أهمية قصوى في حالات التدهور الشديد، حين لا تقدم الصورة المدخلة سوى دلائل ضئيلة عن ضربة قلم دقيقة أو محرف غامض الملامح.

توفر نماذج الانتشار (Diffusion models) وسيلة فعالة لتوليد تفاصيل عالية التردد تبدو واقعية ومقنعة. بيد أن التفاصيل المقنعة وحدها لا تكفي في حالة النصوص: فإعادة البناء شديدة النقاء لمحرف خاطئ تظل في جوهرها خطأً.

تقدم ورقة بحثية نُشرت في 24 سبتمبر 2026، من قِبل Yike Xu وYue Shi وYong Guo وJiezhang Cao، نموذج TOLA (التكيف الكامن في خطوة واحدة مع مراعاة النص - Text-aware One-step Latent Adaptation). وتعالج هذه الورقة قصورين حددهما المؤلفون في تقنيات الدقة الفائقة لصور النصوص القائمة على نماذج الانتشار: زمن التأخير الناتج عن التنبؤ التكراري، وخطر تأثير التوزيع القبلي النصي (text prior) الخاطئ بصورة متكررة على عملية ترميم الصورة. وفي بيئة القياس المحددة بالورقة، خفض TOLA متوسط زمن الاستدلال من 9.9548 ثوانٍ لنموذج DiffTSR إلى 0.1319 ثانية لكل صورة، مع تحسين مقاييس جودة الصورة ومقاييس التعرف عليها في آن واحد.

نستعرض فيما يلي كيف تشرح ورقة TOLA البحثية نمط الفشل هذا، وكيف يعمل مسارها ذو الخطوة الواحدة، وما أثبتته نتائج تقييمها.

فخ الهلوسة في نماذج الانتشار التكرارية للنصوص

يقرن نموذج DiffTSR بين نموذج انتشار الصور (IDM) ونموذج انتشار النصوص (TDM) عبر وحدة متعددة الوسائط مُعدَّلة (Modulated Multimodal - MoM). ويمر مسار الاستدلال المُعلن عنه بتقييم كل من IDM وTDM نحو 200 مرة لترميم قصاصة نصية واحدة منخفضة الدقة.

وتترتب على هذا التكرار تكلفة قابلة للقياس؛ فعلى وحدة معالجة رسومية واحدة من طراز NVIDIA RTX PRO 6000، تفيد الورقة بأن DiffTSR يستغرق 9.9548 ثوانٍ لكل صورة بأبعاد 128 × 512، بالإضافة إلى 59,213.970 جيجا عملية ضرب ومراكمة (G MACs) لمسار الترميم الكامل. وتأتي هذه الأرقام من قياسات متزامنة بحجم دفعة يساوي واحداً (batch-size-one) على 100 صورة اختبار ثابتة، وهي لا تمثل قياساً لنظام متكامل لمعالجة المستندات.

ويحدد المؤلفون خطراً ثانياً يتجاوز زمن التأخير؛ إذ إن التوزيع القبلي للنص المستنتج من صورة متدهورة قد يكون خاطئاً. وإذا استمر هذا الافتراض المسبق في توجيه عملية إزالة الضوضاء (denoising) بصورة متكررة، فقد تعزز تنبؤات الصورة والنص المتطورة ذلك الخطأ المبكر، مما ينتج محرفاً واضحاً لكنه غير صحيح. وتطرح الورقة هذا الأمر كدافع لإلغاء التحسين التكراري المتبادل بين الصورة والنص، بدلاً من تتبع محرف خاطئ بعينه عبر خطوات إزالة الضوضاء الفردية.

وتُظهر التشخيصات الخاصة بالتعرف حجم المشكلة على مجموعة بيانات CTR-TSR-Test ×4؛ فمن بين 8,089 صورة، أحدث DiffTSR ما مجموعه 18,469 تعديلاً على مستوى المحارف وفق تقييم TransOCR المعياري بالورقة، بما في ذلك 14,657 عملية استبدال. ومن بين الصور التي كان التوزيع القبلي المتنبأ لنصوصها خاطئاً، بلغت دقة التفريغ النصي بالمطابقة التامة على مستوى الصورة في DiffTSR نسبة 10.43%. وتكشف هذه القياسات عن وجود ارتباط وثيق بين الافتراضات المسبقة غير الموثوقة وضعف التعرف، وإن كانت لا تثبت أن كل تعديل كان سببه بالضرورة التغذية الراجعة المتبادلة بين النموذجين.

ويقدم نموذج PRISM نقطة مقارنة قريبة؛ إذ يستخدم خطوة واحدة لإعادة بناء الصورة، لكن استعادة التوزيع القبلي للنص لديه لا تزال تستغرق 16 خطوة بطريقة أويلر (Euler steps). أما مسار TOLA فيبني الشرط النصي مرة واحدة فقط ويستغني تماماً عن نموذج TDM أثناء الاستدلال.

فصل الدلالات النصية عن مسار إزالة الضوضاء

تتمثل الفكرة المركزية لنموذج TOLA في إمكانية تحديد التوجيه النصي قبل التنبؤ بالصورة، مع إمكانية تصحيح الأخطاء البصرية المتبقية لاحقاً في الفضاء الكامن النظيف (clean latent space). وبالتالي، لا تتطلب هاتان المهمتان مساراً تكرارياً مشتركاً.

وينقسم مسار الاستدلال لديه إلى جزأين:

1. بناء التوجيه النصي لمرة واحدة: يتنبأ نموذج تعرف مجمد (frozen recognizer) بالرموز النصية (tokens) ودرجات الثقة لكل رمز. ويقوم TOLA بوزن التضمينات النصية للرموز وفق تلك الدرجات قبل أن تبني وحدة MoM الشرط الذي سيستخدمه نموذج الصورة.
2. التنبؤ بالصورة الكامنة وتصحيحها: يقوم نموذج IDM المُكيَّف بإجراء تنبؤ وحيد بالضوضاء. بعد ذلك، تقوم وحدة تصحيح المتبقيات الكامنة (LRC) المدمجة بتعديل تقدير المتغير الكامن النظيف الناتج قبل فك التشفير.

ومع كل مدخل، يشغل TOLA كلاً من TransOCR، ومُشفِّر VAE، ووحدة MoM، وشبكة IDM U-Net، ووحدة LRC، ومُفكك تشفير VAE مرة واحدة فقط لكل منها، دون تشغيل نموذج TDM مطلقاً.

وزن درجات الثقة للنصوص غير المؤكدة

يبدأ TOLA بصورة متدهورة منخفضة الدقة $x_{LR}$ ضمن لوحة بأبعاد 128 × 512. وتتنبأ نسخة مجمدة من TransOCR بالرموز النصية ودرجة ثقة $\alpha$ لكل رمز. وبعد تسوية المحارف وتعيينها في المفردات، يزن TOLA التضمينات:

$$\alpha \odot \text{Emb}(\tilde{c})$$

تُقيس عملية الضرب هذه تضمين كل رمز متنبأ به وفق درجة الثقة المقابلة له. وتحدد الورقة وزناً مباشراً لدرجات الثقة الخام دون معايرة أو عتبة محددة؛ وبالتالي فإن الرمز ذي الثقة المنخفضة يقدم تضميناً ذا وزن أصغر لوحدة MoM، والتي تبني الشرط الدلالي $C_{cond}$ لمرة واحدة.

ويحد هذا من تأثير تنبؤات التعرف الضوئي غير المؤكدة، لكنه لا يضمن تجاهل التنبؤ الخاطئ بالكامل. كما لا تدعي الورقة أن درجات الثقة قادرة على تحديد كل خطأ بشكل موثوق. هذا وتدخل الصورة الكامنة البصرية أيضاً في حسابات التكييف بوحدة MoM، ويتلقى نموذج IDM المتغير الكامن منخفض الدقة جنباً إلى جنب مع المتغير الكامن المشوب بالضوضاء.

وتقدم دراسة الاستئصال (Ablation study) قياساً ملموساً لمساهمة عملية الوزن هذه؛ فبالمقارنة مع قيم الثقة الموحدة، رفع النموذج الموزون كلياً بالثقة دقة المطابقة التامة لـ TransOCR من 0.5258 إلى 0.5401، أي بزيادة قدرها 1.43 نقطة مئوية. كما ارتفعت نسبة الإشارة إلى الضوضاء القصوى (PSNR) من 24.6159 إلى 24.8095 ديسيبل، بينما انخفض مقياس FID من 16.9615 إلى 12.6849. وتظل هذه النتائج خاصة بالنموذج ومجموعة البيانات الخاضعة للاختبار، وليست ضماناً عاماً بأن الثقة غير المعايرة ستمنع الأخطاء في منظومات عمل أخرى.

إعادة البناء في خطوة واحدة من متغير كامن مشوب بالضوضاء

يُسقط مُشفِّر VAE الصورة المتدهورة إلى متغير كامن ثلاثي القنوات غير مقيس $z_{LR}$. ثم يسحب TOLA عينة ضوضاء غاوسية واحدة $\epsilon$ ويبني متغيراً كامناً مشوباً بالضوضاء عند الخطوة الزمنية الثابتة ذات الفهرسة الصفرية $t = 999$ من جدول DiffTSR الخطي المكون من 1,000 خطوة، وتبلغ نهايتا هذا الجدول $\beta_0 = 0.0015$ و $\beta_{999} = 0.0205$:

$$z_t = \sqrt{\bar{\alpha}t}z{LR} + \sqrt{1-\bar{\alpha}_t}\epsilon$$

وتعد هذه نسخة مشوبة بالضوضاء من $z_{LR}$، وليست استبدالاً للمدخل بضوضاء محضة. ويبني TOLA المتغير $z_t$ مباشرة عند الخطوة الزمنية المحددة بدلاً من تتبع سلسلة إزالة الضوضاء العكسية بأكملها.

وتتلقى شبكة IDM U-Net الدمج عبر القنوات $[z_t,z_{LR}]$ والشرط النصي $C_{cond}$ الصادر عن MoM. ويبدأ المؤلفون بنقطة الفحص (checkpoint) الرسمية لنموذج DiffTSR المدربة على CTR، ويجمدون أوزانها الأساسية، ويدربون مهايئات LoRA برتبة 4 (rank-4) في طبقات IDM ومُشفِّر VAE المؤهلة. ويبلغ معامل تحجيم LoRA القيمة $\alpha=4$؛ وهنا يشير هذا الرمز إلى إعداد LoRA، وهو منفصل تماماً عن درجات ثقة الرموز المذكورة آنفاً.

يتنبأ نموذج IDM المُكيَّف بالضوضاء $\hat{\epsilon}_{\theta}$ لمرة واحدة. ونظراً لأن نموذج DiffTSR الموروث يتنبأ بالضوضاء، يحسب TOLA تقديراً أولياً للمتغير الكامن النظيف مباشرة:

$$\hat{z}_0=\frac{z_t-\sqrt{1-\bar{\alpha}t}\hat{\epsilon}{\theta}}{\sqrt{\bar{\alpha}_t}}$$

ولا يتبع هذا الحساب أي تحديث عكسي؛ بل يُمرر التقدير مباشرة إلى وحدة LRC.

معالجة التشوهات البنيوية بواسطة تصحيح المتبقيات الكامنة (LRC)

يمكن لتنبؤ وحيد بالضوضاء أن يُخلّف أخطاء هيكلية في تقدير المتغير الكامن النظيف، لا سيما حول ضربات القلم الرفيعة والحدود والأنماط الموضعية الغامضة. ويعالج TOLA هذه الأخطاء عبر وحدة تصحيح صغيرة بدلاً من اللجوء إلى عملية تحسين تكرارية أخرى.

تُعرّف وحدة LRC أولاً المتبقي (residual) بين المتغير الكامن منخفض الدقة والتقدير النظيف الأولي:

$$r=z_{LR}-\hat{z}_0$$

ثم تأخذ الدمج المكون من 6 قنوات $[z_{LR},r]$ وتتنبأ بتصحيح $\Delta r$. وتتألف الوحدة من إسقاط $1\times1$ من 6 إلى 32 قناة، وكتلة كثيفة ذات متبقيات متداخلة (residual-in-residual dense block) تحتوي على ثلاث كتل متبقية كثيفة، وإسقاط $1\times1$ يعود بالقنوات إلى 3. وتستخدم كل كتلة كثيفة خمس طبقات التفافية $3\times3$ متصلة بكثافة مع معدل نمو (growth width) قدره 16، ويبلغ تحجيم المتبقيات 0.2.

وتتم تهيئة إسقاط المخرجات بالقيمة صفر؛ ومن ثم تترك وحدة LRC في بداية التدريب المتغير $\hat{z}_0$ دون تغيير. ومع تقدم التعلم، يُعدل تصحيحها المتنبأ به المتبقي:

$$r_{\text{corr}}=r+\Delta r$$ $$\hat{z}{0,\text{corr}}=z{LR}-r_{\text{corr}}$$

يُقسم المتغير الكامن المُصحح على المقياس الموروث $s=0.18215$ ثم يمر عبر مُفكك تشفير VAE المجمد لإنتاج $x_{SR}$.

تحتوي وحدة LRC على 180,323 معاملاً (parameters). ومع إضافة 2,027,520 معاملاً لمهايئات LoRA الخاصة بـ IDM و250,548 معاملاً لمهايئات LoRA الخاصة بمُشفِّر VAE، يقوم TOLA بتحسين وحفظ 2,458,391 معاملاً للتكيف. ويمثل هذا الرقم عدداً للمعاملات لا حجماً للملفات؛ إذ يستمر الاستدلال في استخدام النموذج الأساسي المدرب مسبقاً.

Degraded image (x_LR)
   ├──> TransOCR ──> tokens + confidences ──> weighted embeddings ──┐
   │                                                                 │
   └──> VAE encoder ──> z_LR ──> q-sampling at t=999 ──> z_t          │
                            │                          │             │
                            └──────────> MoM <─────────┘ <───────────┘
                                          │
                                       C_cond
                                          │
                         [z_t, z_LR] ──> IDM U-Net
                                          │ one noise prediction
                                          v
                                  Clean latent estimate
                                          │
                               LRC residual correction
                                          │
                                   VAE decoder
                                          │
                                          v
                                 Restored image (x_SR)

نتائج الاختبارات المعيارية: السرعة، والدقة، والفحوصات المستقلة

قيّم المؤلفون نموذج TOLA على معيار CTR-TSR-Test ×4 المكون من 8,089 زوجاً، وعلى 200 قصاصة مقترنة لصور حقيقية في RealCE-200، كما استعرضوا نتائج نوعية على مجموعة RT50 التي تضم 50 مدخلاً لنصوص حقيقية.

معيار CTR-TSR-Test (تكبير بمقدار ×4)

في ظل بروتوكول التقييم الموحد المتبع في الورقة، تفوق TOLA على DiffTSR في كافة المقاييس التسعة المعلنة لاختبار CTR-TSR-Test:

• زمن تأخير الاستدلال: 0.1319 ثانية لكل صورة لنموذج TOLA مقابل 9.9548 ثوانٍ لـ DiffTSR، أي تسريع بمقدار 75.5 ضعفاً في بيئة القياس بحجم دفعة يساوي واحداً.
• عمليات MACs للترميم: 297.497 جيجا مقابل 59,213.970 جيجا لمسار DiffTSR الكامل؛ مع استبعاد نماذج VAE والوحدات النصية المساعدة من هذا الإحصاء.
• مقياس PSNR: 24.8095 ديسيبل مقابل 20.5958 ديسيبل، بزيادة قدرها 4.2137 ديسيبل.
• مقاييس جودة الصورة: ارتفع مقياس SSIM من 0.6261 إلى 0.7235، بينما انخفض FID من 24.9120 إلى 12.6849.
• التعرف عبر TransOCR: ارتفعت دقة المطابقة التامة على مستوى الصورة من 0.4645 إلى 0.5401؛ كما ارتفع تشابه مسافة التعديل المعيارية من 0.6519 إلى 0.7370.

ويتضمن الجدول أيضاً أرقام PRISM المنشورة، غير أن PRISM استخدم بروتوكولاً مختلفاً قائماً على BTL-test ×4 وPP-OCRv5؛ لذا فإن أرقامه الواردة هي مرجع عابر للبروتوكولات (cross-protocol reference)، وسيكون الادعاء الرقمي المباشر بتفوق TOLA على PRISM في نفس تقييم CTR-TSR-Test ادعاءً مضللاً.

التحقق المتقاطع بواسطة نظام OCR مستقل

يؤدي TransOCR أدواراً متعددة في دراسة TOLA: حيث توفر نسخ مجمدة منفصلة منه كلاً من التكييف والإشراف على خسارة التعرف، كما يقدم TransOCR مقياس تقييم أساسياً. ولهذا السبب، أضاف المؤلفون نظام PaddleOCR كفحص مستقل للتعرف؛ إذ لم يُستخدم PaddleOCR في التكييف أو التدريب أو التحقق أو اختيار نقاط الفحص.

وجاءت نتائج هذا الفحص مؤكدة للاتجاه ذاته؛ حيث ارتفعت دقة المطابقة التامة في PaddleOCR من 0.3970 لـ DiffTSR إلى 0.4626 لـ TOLA، محققة زيادة قدرها 6.56 نقطة مئوية. كما ارتفع تشابه مسافة التعديل المعيارية في PaddleOCR من 0.5873 إلى 0.6585. ويعزز استخدام نظام تعرف مستقل نتائج التعرف، على الرغم من أنه لا يجعل التقييم خالياً تماماً من تأثيرات مجموعات البيانات أو البروتوكولات المتبعة.

تقييم الصور الحقيقية: RealCE-200 وRT50

بالنسبة لمجموعة RealCE-200، أنشأ المؤلفون 200 قصاصة مقترنة من قسم التحقق في RealCE؛ حيث استُمدت المدخلات منخفضة الدقة والصور المرجعية من صور متطابقة رسمياً ببُعدين بؤريين 13 ملم و52 ملم، بالاعتماد على إحداثيات التعليق التوضيحي النصي ذاتها. وقد استُبعدت هذه المجموعة تماماً من مراحل التدريب والتحقق واختيار نقاط الفحص.

وتصدر TOLA كافة الطرق المقارنة في جميع مقاييس RealCE-200 الستة؛ حيث حقق 19.2240 ديسيبل في PSNR و0.6199 في SSIM، مقابل 17.6287 ديسيبل و0.5970 لنموذج DiffTSR. وبلغت دقة المطابقة التامة عبر PaddleOCR نحو 0.5100 لـ TOLA مقارنة بـ 0.4300 لـ DiffTSR.

أما مجموعة RT50 فتخدم غرضاً مختلفاً؛ إذ تضم 50 مدخلاً حقيقياً — 17 عينة بالصينية، و17 بالإنجليزية، و16 عينة رقمية — اختيرت لتغطي ظروف التقاط متنوعة. وتقدم الورقة مقارنات نوعية على هذه المجموعة، دون أن تسجل درجة مرجعية مقترنة أو تجربة ميدانية إنتاجية لها.

ما تكشفه دراسات الاستئصال في الواقع

تساعد المتغيرات المضبوطة في الورقة على فصل مساهمات التكيف، وتصحيح المتبقيات، والتكييف النصي:

أولاً، تتحمل مهايئات LoRA العبء الأكبر في التكيف لخطوة واحدة، في حين تحسن وحدة LRC جودة إعادة البناء. يسجل المسار المجمد ذو الخطوة الواحدة 20.0416 ديسيبل في PSNR و119.4517 في FID؛ بينما يصل البديل المعتمد على LoRA فقط إلى 24.4220 ديسيبل و12.7420 في FID. وتؤدي إضافة LRC إلى رفع PSNR بمقدار 0.3847 ديسيبل، وزيادة SSIM بمقدار 0.0127، وخفض LPIPS بمقدار 0.0121.

أما التغير في دقة التعرف الناتج عن LRC وحدها فيبدو أقل حسماً؛ إذ يوضح التحليل المزدوج بالورقة تغيراً طفيفاً في دقة المطابقة التامة أظهر اختبار ماكنيمار (McNemar test) أنه غير ذي دلالة إحصائية ($p=0.584$). وبالتالي، تدعم الأدلة فائدة LRC في إعادة بناء الصورة بصورة أوضح من دعمها لفائدة منفصلة في التعرف.

ثانياً، يؤدي التصحيح البسيط المتطابق في عدد المعاملات أداءً أسوأ من تصميم LRC المختبر. إن استبدال LRC بالنموذج المرجعي للتصحيح المتبقي البسيط يخفض PSNR من 24.8095 إلى 23.9846 ديسيبل ويرفع FID من 12.6849 إلى 16.9340. وتُبرهن هذه المقارنة على أن المكاسب لا ترجع إلى عدد المعاملات وحده، وإن كانت لا تحدد أي ميزة بعينها في تصميم الكتل الكثيفة هي المسؤولة عن هذا الفارق.

ثالثاً، تحقق الخطوة الزمنية المختارة توازناً بين المقاييس المعلنة. ففي تجربة ضبط الاستدلال بنقطة فحص ثابتة، أنتجت الخطوة $t=949$ قيمة PSNR أعلى بقليل من $t=999$ — 24.9307 مقابل 24.8067 ديسيبل — ولكن بمقاييس LPIPS وDISTS وFID أسوأ. كما أدى ضبط $\epsilon=0$ إلى خفض PSNR وتدهور FID مقارنة بالإعداد الافتراضي؛ لذا اختار المؤلفون $t=999$ لتحقيق أفضل نتيجة إجمالية بين الإعدادات المختبرة.

ما يعنيه ذلك لمنظومات معالجة المستندات

يحقق TOLA تقدماً محدوداً ولكنه مفيد؛ إذ يُثبت أن الدقة الفائقة للنصوص بنماذج الانتشار يمكنها تجنب المسار التكراري المشترك بين النص والصورة مع تحسين نتائج الترميم والتعرف المقاسة في الورقة. وتستخلص التجارب ثلاثة دروس تصميمية:

1. الترميم في خطوة واحدة يغير حسابات زمن التأخير

يُعد الانخفاض المُقاس من نحو عشر ثوانٍ إلى 0.1319 ثانية لكل قصاصة تحولاً جوهرياً؛ فهو يجعل TOLA خياراً أكثر واقعية لمرحلة ترميم موجهة مقارنة بمسار DiffTSR المكون من 200 خطوة. ومع ذلك، ستظل الإنتاجية الإجمالية للمنظومة ككل معتمدة على اكتشاف القصاصات، وتجميع الدفعات، والعتاد الصلب، ونقل البيانات، وبقية أجزاء نظام التعرف الضوئي؛ فالورقة تقيس استدلال النموذج على صور ثابتة، لا على خط معالجة مستندات قيد التشغيل الفعلي.

2. التوجيه النصي غير المؤكد يستحق تأثيراً أقل

يحقق الشرط الموزون بالثقة في TOLA أداءً أفضل من الوزن الموحد في دراسة الاستئصال المعلنة، وهو ما يدعم تقليص تأثير رموز التعرف الضوئي غير المؤكدة عندما توجه عملية إعادة البناء. ويكتسب هذا التوجه أهمية خاصة في نصوص كالخط العربي؛ إذ تفرض كتابته المتصلة من اليمين إلى اليسار، وتغير أشكال حروفه بحسب موقعها وسياقها، والتشكيل الاختياري والروابط الطباعية تحديات تجعل التعرف الضوئي أشد تعقيداً وعرضة للخطأ. كما يضع هذا حداً فاصلاً مهماً: فالوزن لا يمكنه استعادة معلومات عجزت كل من الصورة المتدهورة ونظام التعرف عن توفيرها.

3. حالة تكيف صغيرة قادرة على تغيير نموذج كبير مدرب مسبقاً

درب المؤلفون مهايئات LoRA برتبة 4 ووحدة LRC بدلاً من إعادة تدريب النموذج الأساسي لـ DiffTSR؛ وتعد حالة التكيف البالغة 2.46 مليون معامل صغيرة الحجم مقارنة بالنموذج الأصلي المُدرب مسبقاً، وقد أفادوا بأن التدريب استغرق قرابة 55 ساعة على أربع وحدات معالجة رسومية من طراز NVIDIA RTX PRO 6000. ويعتمد ما إذا كان هذا النهج أقل تكلفة لفريق آخر على إمكانية الوصول إلى نقطة الفحص المدربة مسبقاً، وتوفر البيانات المناسبة، وتكاليف بيئة التدريب والاستدلال الخاصة بهم.

حدود ما تثبته النتائج الأدلتية

تُبرز تشخيصات TOLA أيضاً حدوداً مهمة ينبغي مراعاتها عند تفسير النتائج:

• تظل الافتراضات المسبقة غير الصحيحة للنص عقبة قائمة: عندما يتطابق التوزيع القبلي المتنبأ به عبر TransOCR مع النص الحقيقي المرجعي (ground truth)، تبلغ دقة التفريغ النصي بالمطابقة التامة على مستوى الصورة في TOLA نحو 0.9683. أما حين يكون خاطئاً، فتهبط الدقة إلى 0.2217، مقابل 0.1043 لـ DiffTSR ضمن فئة الافتراضات الخاطئة ذاتها. كما أن تزويد النموذج بالنص الحقيقي المرجعي كشرط مثالي (oracle condition) يرفع دقة TOLA الإجمالية من 0.5401 إلى 0.6253. وتكشف هذه الفجوة عن وجود مجال لتحسين التوجيه الدلالي، دون أن تحدد أي نموذج أو نظام تعرف مستقبلي قادر على سدها.

• تعتمد الاختبارات المعلنة على أبعاد ثابتة ومجموعات بيانات محددة: استخدم التدريب والتقييم المقترن الموحد صوراً بأبعاد 128 × 512؛ ولا تقيّم الورقة تخطيطات المستندات العشوائية، ولا توضح كيف يمكن لكاشف القصاصات السابق في خط المعالجة أن يؤثر على النتائج.

• نتائج زمن التأخير مرتبطة بالعتاد المستخدم: جاء الرقم 0.1319 ثانية باستخدام وحدة معالجة رسومية واحدة من طراز RTX PRO 6000 وبحجم دفعة يساوي واحداً. وتوجد في جدول التوقيت نفسه طرق أمامية (feedforward) أسرع — مثل NAFNet الذي يستغرق 0.0324 ثانية وTSRN الذي يستغرق 0.0148 ثانية — وإن كانت درجات الترميم والتعرف لديها مختلفة. كما لا تقدم الورقة تقارير عن تكاليف الاستدلال عبر المعالجات المركزية (CPU) أو في البيئات السحابية عديمة الخوادم (serverless).

وتتجلى قوة نتائج TOLA في الإجابة عن السؤال الذي اختبره مباشرة: هل يحتاج ترميم النصوص بالانتشار إلى تنبؤات متكررة بالصورة والنص للوصول إلى جودة عالية؟ وتُثبت نتائج مؤلفي البحث على المقاييس المعيارية أن بناء توجيه نصي موزون بالثقة لمرة واحدة، وإجراء تنبؤ واحد عبر IDM، وتصحيح المتبقي الكامن، يقدم نتائج مُقاسة تتفوق على مسار DiffTSR المقارن وبجزء ضئيل جداً من زمن استدلاله.