ArchDoc-WallPainting

首个面向考古文档壁画提取的图文关联与精细分割基准数据集

📖 简介

ArchDoc-WallPainting 是一个专为 "阅读以观"（Reading to See） 计算范式设计的基准数据集，旨在解决考古文档中壁画图像与语义描述之间的"物理隔离"问题。

在数字人文与计算考古学领域，海量扫描版考古报告中蕴藏着珍贵的壁画图像及其专家解读。然而，文档复杂的版面结构导致视觉证据（壁画图像）与语义描述（图注、正文）在物理空间上分离，使这些知识处于"可见而不可用"的状态。

本数据集支持两阶段深度学习框架 LACA-Net 的训练与评估：

1. Stage 1: 版面分析与图文匹配 — 将图注与对应壁画区域进行逻辑关联
2. Stage 2: 文本引导精细分割 — 基于图注语义实现像素级壁画主体提取

📊 数据集概览

阶段	子集	规模	数据来源	任务
Stage 1	synth	5,000 页 / 12,468 壁画	muralDH1714 + VLM	图文匹配训练
Stage 1	real	383 页 / 397 壁画	《中国出土壁画全集》	图文匹配测试
Stage 2	clean	584 壁画	多来源	简单场景
Stage 2	dirty	397 壁画	多来源	精细分割

总计: 5,383 页文档，13,846 张壁画标注

📁 目录结构

ArchDoc-WallPainting/
├── README.md                       # 本文件
├── stage1/                         # 阶段1：版面分析与图文匹配
│   ├── README.md
│   ├── synth/                      # 合成数据（训练）
│   │   ├── annotations/
│   │   ├── images/
│   │   └── pages/
│   └── real/                       # 真实数据（测试）
│       ├── annotations/
│       ├── images/
│       └── pages/
│
└── stage2/                         # 阶段2：文本引导分割
    ├── README.md
    ├── clean/                      # 干净壁画
    │   ├── annotations/
    │   └── images/
    └── dirty/                      # 需分割壁画
        ├── annotations/
        ├── images/
        └── mattes/

📝 标注格式

所有标注采用 JSON 格式：

{
  "caption": "壁画描述性图注（含名称、年代、尺寸、出土信息等）",
  "bbox_in_page": [x1, y1, x2, y2],
}

🔬 研究背景

核心挑战

1. 结构-语义两难困境: 现有文档版面分析模型缺乏语义理解能力，而指代性图像分割模型在复杂文档上下文中失效
2. 物理隔离特性: 图注与对应壁画在页面上可能相距甚远，甚至跨页分布
3. 精细边缘保留: 传统二值掩码难以保留壁画边缘的半透明细节

解决方案

"阅读以观"（Reading to See）范式：模拟人类专家"先阅读文本理解语境、再定位图像并精细观察"的认知过程。

📖 数据来源

来源	类型	说明
《中国出土壁画全集》(10卷)	真实文档	汉代至明清墓室壁画
《敦煌石窟全集》	真实文档	敦煌石窟壁画
muralDH1714	壁画图像	1,714张高质量敦煌壁画
GLM4v-flash	图注生成	VLM自动生成描述性图注

📄 引用

如果本数据集对您的研究有帮助，请引用：

@misc{archdoc-wallpainting,
  title={ArchDoc-WallPainting: A Benchmark Dataset for Caption-Mural Association and Fine-grained Segmentation in Archaeological Documents},
  author={},
  year={2025},
  howpublished={\url{https://github.com/yyfl2zju/ArchDoc-WallPainting}}
}

📧 联系方式

如有问题或建议，请通过以下方式联系：

• GitHub Issues: 提交问题

---

关键词: 文档理解 | 壁画分割 | 图文匹配 | 数字人文 | 计算考古学 | Alpha Matting