Une Nikon grand public suspendue au-dessus d'une table, des ampoules LED bon marché et une vitre prélevée sur un photocopieur. C'est le poste de numérisation d'Ibteda Digital Library, une petite archive communautaire pakistanaise dont les membres achetaient eux-mêmes les ouvrages qu'ils sauvaient.12
Pendant presque dix ans, la photo a été la partie facile. Après le déclenchement, il fallait encore ouvrir chaque image dans Photoshop et transformer la double page en deux pages finies : recadrer, redresser, choisir la marge, décider quoi faire d'un coin abîmé. Chaque clic pris seul ne coûtait rien. Répétés sur des centaines de pages, ils sont devenus des années.1
En avril 2026, l'équipe a suspendu l'activité quotidienne. 526 392 photos de double page n'étaient pas encore finies. Les finir à la main aurait demandé encore des années.12
C'est là que le projet devient étrange. Ce qu'ils ont recyclé pour reprendre la main, ce n'est pas un logiciel tout fait. Ce sont leurs propres retouches : 575 729 pages terminées à la main, devenues les étiquettes d'un pipeline de vision par ordinateur.1
Un clic à la fois
L'archive est née par frustration. Autour de 2015, en préparant une édition du Diwan de Ghalib pour le 150e anniversaire de sa mort, l'un des fondateurs découvre à quel point les éditions historiques sont inaccessibles : épuisées, enfermées dans des collections universitaires ou posées sur des étagères privées. Ibteda devient alors ce projet : retrouver les livres physiques et construire l'archive soi-même.1
La chaîne de production tenait en trois étapes. Capture : photographier une double page ouverte à travers la vitre. Post-traitement : un opérateur finit les deux pages dans Photoshop. Publication : stocker deux images de page ordonnées et de taille cohérente.1 Le catalogue dépasse aujourd'hui 5 000 livres ; l'inventaire analysé compte 822 161 photos de double page, soit environ 1,64 million de page sides.1
La matière est brutale. Des lithographies du XIXe siècle côtoient de la prose du milieu du XXe, des dictionnaires, des magazines, des pages couvertes de notes marginales, des volumes illustrés. Une règle taillée pour de la prose ourdou nette échoue sur une large part de l'étagère.12
Le manuscrit ourdou, souvent en écriture nastaliq, complique la numérisation de manière concrète : beaucoup de points, de diacritiques et de petits symboles. La poussière, la saleté et les auréoles se confondent facilement avec de l'encre réelle. Chaque livre devient son propre cas particulier.2
Les pages finies sont devenues les étiquettes
Jusqu'à récemment, la capture a dépassé le post-traitement : les nouvelles photos s'accumulaient plus vite qu'on ne les finissait. L'un des membres a d'abord essayé la vision par ordinateur classique : détection de contours, profils de projection, seuils de couleur du papier. Chaque approche marchait sur une petite tranche de livres et échouait sur le reste. Les ombres de pliure et les reliures incurvées produisaient des faux bords convaincants. OpenCV restait utile, mais aucune règle fixe ne pouvait choisir le recadrage préféré du projet.12
Le renversement vient d'une manière de regarder différemment les 575 729 fichiers Photoshop déjà produits. Ils n'ont plus été traités comme des fichiers de publication, mais comme dix ans de décisions de recadrage : rotation, marges, côté physique, cadrage propre à chaque livre, répété sur des centaines de pages.1
Il fallait encore relier chaque page finie à sa double page brute d'origine et reconstruire la géométrie choisie par l'opérateur. Pour chaque page, l'auteur a lancé SIFT sur les candidats voisins, filtré les descripteurs, puis ajusté une homographie. Un point crucial : la correspondance posait plus de problèmes de rejet que de correspondance. La densité de l'impression ourdou répète les traits, les mots, les bordures et les colonnes ; une page voisine peut produire une transformation qui semble convaincante au premier coup d'œil. L'équipe a donc imposé des seuils prudents — un faux label vaut pire qu'une page perdue pour l'entraînement.1
Sur 36 450 correspondances tentées, 35 648 ont été acceptées : 97,8 %. Les pages d'intérieur atteignaient 98,6 % ; près des bords du livre, où se trouvent les couvertures et les feuillets isolés, seulement 77,9 %.1
Dix retouches valent mieux qu'un plus gros modèle
Le premier modèle de géométrie est resté volontairement simple : entrée en 704×704, tronc ResNet-34 pré-entraîné, deux têtes pour la page physique gauche et droite. La sortie de chaque côté se réduit à six valeurs — centre, largeur, hauteur et rotation — puis se décode en quatre coins. La perte est une Smooth L1 sur les coins, dans les pixels de la page finale.1
La découverte décisive tient dans ce que la caméra ne montre pas. Les photos contiennent le bord physique du papier, mais le liseré choisi par l'archive est invisible. Un livre paraît juste avec un retrait de 40 pixels, un autre avec 120. Entraîné sur de vieux livres, le réseau ne peut pas deviner la préférence d'un volume qu'il n'a jamais vu.1
L'auteur a donc cessé de demander au réseau de deviner. Le Studio sélectionne cinq doubles pages à travers le livre ; un opérateur rectifie les deux pages, ce qui donne dix vecteurs de correction. La médiane de ces dix résidus se stocke comme une correction pour le volume. Sur les 249 livres d'une cohorte de confirmation, la correction sur dix retouches a fait passer le taux de réussite pass@80 de 0,7107 à 0,8271.1
Le résultat le plus contre-intuitif est aussi le plus parlant : doubler les données ou grossir le modèle n'a pas amélioré la qualité sur les livres inconnus. Le resNet-50 plus grand, entraîné sur plus de livres, faisait même un peu pire après calibration (0,8138 contre 0,8271). Comme le liseré dépend de chaque livre, ajouter des volumes faisait perdre la cohérence du motif, pas la gagner.12
Ne pas effacer les diacritiques
La géométrie résolue, restait la question plus laide : quelles taches retirer sans toucher à la page imprimée. La méthode naïve — soustraire la page finie de la page brute — était inutilisable. Les minuscules erreurs d'alignement allumaient les deux bords de chaque trait ourdou, et les simples changements de contraste ressemblaient à des retraits. Sur une page mesurée, le masque naïf couvrait 7,28 % de l'image, dont 49,2 % d'encre que l'on avait pourtant conservée.1
Il fallait quelque chose de plus fin que « retirer ou garder ». L'équipe a construit trois états d'étiquette : REMOVE pour une zone retirée complètement, KEEP pour l'encre légitime et les points de diacritiques, IGNORE pour les pixels ambigus exclus de la perte. Les points et les diacritiques de l'ourdou sont devenus des « hard negatives » explicites : de petites marques sombres que le réseau doit absolument conserver.1
Le réseau de retouche, lui, reste binaire : un logit de retrait par pixel. La prudence se joue au niveau de l'étiquette. Une variante plus stricte des labels a porté l'IoU de la catégorie marque à 0,6024 avec zéro faux positif de diacritiques mesuré ; une variante plus inclusive gagnait un peu d'IoU mais produisait 161 faux positifs pour 161 pixels de diacritiques par patch. La version qui préserve la langue a été retenue.1
Le réseau n'agit jamais d'office. Il propose un support ; des règles de composants décident ensuite si le système agit ou s'abstient. En dessous d'une taille de composant et d'un seuil de confiance, la tache est laissée seule — une demi-tache ou une demi-bande sombre est souvent pire que ne rien faire. La reconstruction du papier se fait ensuite avec OpenCV et NumPy classiques, et la page brute est recopiée à l'identique en dehors du support déclaré.1
S'arrêter avant de tout prouver
L'équipe documente aussi ce qui n'a pas fonctionné. Ajouter les livres de 378 à 572 pour l'entraînement, porter l'entrée à 1024 pixels, un « spatial head », une résolution supérieure : rien n'a amélioré la qualité sur les livres jamais vus. Le « mur de généralisation » est assumé, pas masqué.1
L'article technique raconte même des échecs de mesure : pendant un long moment, un tirage aléatoire de calibration semblait montrer une différence significative entre deux modèles, alors que sur 20 tirages l'effet disparaissait. L'honnêteté sur ce point rend le reste plus crédible : les seuils publiés sont des points de fonctionnement propres à Ibteda, pas une garantie portable pour d'autres archives.1
À l'arrêt d'avril 2026, le pipeline demandait encore dix retouches de calibration par nouveau livre et environ un tiers des page sides passait en revue aux points de qualité élevés. La sortie n'est donc pas gratuite ; elle est devenue mesurable, stoppable, inspectable et reprise plus tard.1
Plus de 1 300 livres déjà en ligne
Reste le plus important : ce qui est déjà publié. Plus de 1 300 livres terminés sont accessibles sur l'Internet Archive, dont plus de 350 volumes lithographiés, près de 500 recueils de poésie et plus de 1 000 numéros de périodiques, avec des fonds datant de 1821.13
Les photographies brutes survivent sur un pool de stockage ZFS protégé par des manifests BLAKE3 et des audits d'intégrité, avec 35 648 étiquettes de géométrie acceptées et le Studio de finition lui-même.1 Le noyau de l'histoire tient dans cette phrase de la clôture : « nous avons transformé une décennie d'effort humain en un procédé que l'on peut mesurer, arrêter, inspecter et reprendre dès que du temps GPU et de l'attention d'opérateur sont disponibles. »1
L'ironie finale que l'équipe relève elle-même : ils ont commencé frustrés par les collectionneurs privés, et dix ans plus tard ils avaient acheté eux-mêmes plus de 5 000 volumes et construit de nouvelles étagères. « Seulement cette fois, les bits sont en sécurité. »1