Notas de pesquisa: preservar layout ao transformar documentos

Uma das perguntas que orientam a pesquisa do Lúmen é aparentemente simples: depois de traduzir ou anonimizar um documento, ele ainda parece o mesmo documento?

Por que isso importa

Para quem usa o resultado, layout é informação. A posição de uma assinatura, o alinhamento de uma tabela, a hierarquia de um contrato — tudo isso carrega significado. Devolver texto corrido obriga alguém a remontar o documento à mão, o que anula boa parte da automação.

O que torna o problema difícil

• Texto muda de tamanho. Uma frase traduzida pode ficar 30% mais longa e não caber no espaço original.
• Documentos digitalizados não têm estrutura. Antes de preservar o layout, é preciso reconstruí-lo a partir da imagem.
• Tabelas e formulários quebram fácil. Células mescladas, colunas sem borda e campos manuscritos confundem a leitura.
• Anonimizar não é só apagar. Uma tarja mal posicionada pode esconder demais ou de menos.

Como estamos abordando

A linha de investigação atual trata o documento como duas camadas: o conteúdo e a geometria. Primeiro reconstruímos a geometria — blocos, linhas, tabelas, posições — e só então transformamos o conteúdo, respeitando os limites de cada bloco.

Este é um texto de pesquisa, não de produto: descreve um problema em estudo, não uma funcionalidade disponível. Quando houver resultado utilizável, ele aparece no changelog do Lúmen.