Historical Astronomical Diagrams Decomposition in Geometric Primitives

自动从数十万历史手稿中的图表中提取几何内容，将使历史学家能够研究天文知识在全球范围内的传播。然而，现有的矢量化方法通常是为处理现代数据而设计的，不适用于历史天文图表的复杂性和多样性。因此，我们的贡献有两个方面。首先，我们介绍了一个独特的数据集，包括303个不同传统的天文图表，从12到18世纪，注释了3000多条线段、圆和弧。其次，我们开发了一个模型，基于DINO-DETR，可以预测多个几何基元。我们展示了它可以仅在合成数据上进行训练，并在我们具有挑战性的数据集上准确地预测基元。我们的方法通过引入多个基元的有意义参数化，联合训练检测和参数细化，使用可变形注意力和在丰富的合成数据上训练，显著改进了LETR基线，该基线仅限于线条。我们的数据集和代码可在我们的网页上获得。

研究如何从历史手稿中自动提取几何内容，以便历史学家能够在全球范围内研究天文知识的传播。

使用DINO-DETR模型，通过训练多个几何基元的预测，来解决历史天文图表中复杂和多样化的几何形状的提取问题。采用可变形注意力机制和丰富的合成数据进行训练，从而显著提高了几何基元的检测和参数细化。

论文提出了一个包含303个天文图表的独特数据集，并使用超过3000个线段、圆和弧进行注释。实验结果表明，该模型在这个具有挑战性的数据集上表现优异。论文提供了数据集和代码。

近期的相关研究主要集中在基于深度学习的图像分割和目标检测。