A Hybrid U-Net–GAN Framework for Restoring Broken Kannada Handwritten Characters
Notice bibliographique
Résumé
Restoring broken or degraded handwritten characters is a major obstacle in optical character recognition (OCR) and the digital preservation of historical manuscripts.In this paper, we propose a hybrid framework named U-Net + Generative Adversarial Network (GAN) for Kannada Restoration (UNGAN-KR) for broken handwritten characters.It integrates the best of both encoder-decoder structural reconstruction and adversarial refinement to ensure both pixel-level fidelity and perceptual realism.The U-Net restores broken strokes while ensuring preservation of character structure and the GAN discriminator promotes natural handwritten textures.We evaluated the framework on a dataset of 71,149 handwritten Kannada characters using multiple metrics of accuracy.The experimental results show that our proposed framework achieves an accuracy of 97.8% with improvements in perceptual quality, and outperforms benchmarks like Convolutional Neural Network (CNN) autoencoders, standard U-Net, and GAN-based inpainting.Ablation studies show that the integration of U-Net and GAN provides hybrid enhancements that are important for reconstruction accuracy.Thus, the framework is suitable for pre-processing data and digital sustainable archiving and the automated restoration of degraded Kannada manuscripts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,010 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».