시각적 정보 기반 다국어 PDF 번역을 위한 ForMaT 데이터셋

요약

원본 레이아웃을 보존하며 다국어 PDF를 번역하기 위한 새로운 병렬 코퍼스인 ForMaT 데이터셋을 소개합니다. 15개 언어 쌍과 3,956개의 PDF로 구성되었으며, K-Medoids 샘플링을 통해 표나 수식 같은 복잡한 기하학적 구조를 포함하도록 설계되었습니다. 이 데이터셋은 시각적 문맥과 텍스트를 통합하는 레이아웃 인식 번역 모델 개발을 위한 벤치마크 역할을 합니다.

핵심 포인트

• 원본 레이아웃 메타데이터를 보존하는 15개 언어 쌍의 ForMaT 데이터셋 공개
• K-Medoids 샘플링을 통해 중첩된 표 및 수식 등 복잡한 기하학적 특징 포함
• 기존 MT 시스템이 겪는 공간적 접지 및 기하학적 동기화 문제 식별
• 고충실도 문서 재구성을 위한 레이아웃 인식 번역 모델 개발의 벤치마크 제공