Texto de documentos apagados em miniaturas do Windows: rede neural recupera mais de 81% dos caracteres em teste com imagens sintéticas

Mohit Ajaykumar Dhabuwala, da Cyber Diligence, de Nova York, e Weifeng Xu, da Escola de Justiça Criminal da University of Baltimore, nos Estados Unidos, depositaram em 11 de outubro de 2026 no repositório científico arXiv o artigo “Forensic Text Recovery from Document Thumbnails Using Text-Aware U-Net”, de seis páginas, informado como publicado nos anais da conferência ICAIBD 2026.

O vestígio: a miniatura que sobra

Os autores explicam que documentos do Microsoft Word costumam deixar pequenas imagens de pré-visualização, as miniaturas (thumbnails), que podem continuar no computador mesmo depois que o arquivo original foi apagado, e que essas imagens podem ser o único vestígio visual do documento, usado pelo perito para reconstruir linhas do tempo e confirmar outros rastros.

O problema é que essas imagens não foram feitas para leitura, porque a redução de tamanho e a compressão agressivas degradam as letras e confundem tanto o examinador quanto os programas de reconhecimento óptico de caracteres (OCR), que leem texto em imagens.

As técnicas comuns de aumento de resolução por aprendizado profundo melhoram a aparência da imagem, mas, segundo os autores, quando otimizadas só pela diferença entre pixels tendem a privilegiar uma imagem suave em vez da forma exata das letras, e no contexto pericial isso traz o risco inaceitável de a rede “alucinar” caracteres, gerando texto que não existia.

Os dados de teste

O estudo usa 1.000 pares de imagens de um conjunto sintético criado num trabalho anterior, apresentado na conferência COMPSAC de 2025, em que textos coerentes foram gerados pelo GPT-4, formatados em documentos do Word com a fonte Aptos e degradados com a biblioteca ImageMagick para imitar as miniaturas guardadas pelo Windows no cache thumb.db, com redução de tamanho, desfoque e artefatos de compressão.

Cada exemplo traz a miniatura degradada, a imagem original do documento e o texto exato, e todas as imagens foram redimensionadas para 768 por 594 pixels e convertidas para tons de cinza, com 70% dos pares usados no treino e 30% reservados para o teste.

O método: treinar por pixel, escolher por leitura

A rede é uma U-Net, arquitetura que reduz a imagem por etapas até uma representação compacta e depois a reconstrói, com conexões que levam os detalhes finos das primeiras camadas direto às últimas, o que ajuda a recuperar os traços das letras perdidos na redução.

Como o OCR, no caso o Tesseract, não é diferenciável, ou seja, não permite calcular o ajuste dos pesos da rede a partir do seu resultado, os autores separaram as duas tarefas, e a rede aprende pela diferença absoluta entre pixels, enquanto a versão final do modelo é escolhida por uma nota que combina essa diferença, com peso 0,95, e o erro de leitura do OCR, com peso 0,05.

O erro de leitura é medido pela distância de Levenshtein, o número mínimo de inserções, exclusões e substituições de caracteres para transformar o texto lido no texto correto, dividido pelo total de caracteres do texto correto, o que dá a distância normalizada, que vai de 0, leitura perfeita, a 1.

O treino durou 550 épocas numa placa NVIDIA A100, com o programa PyTorch.

Os resultados

No teste com a mesma fonte do treino, a rede proposta chegou a 30,99 decibéis de relação sinal-ruído de pico (PSNR), medida da diferença entre pixels, e a 0,991 de índice de similaridade estrutural (SSIM), medida que considera brilho, contraste e estrutura, contra valores de 10,50 a 16,42 decibéis e de 0,347 a 0,710 dos cinco métodos usados como comparação, retreinados com os mesmos dados.

Com miniaturas geradas em outra família de fonte, sem novo treino, o desempenho caiu para 14,08 decibéis e 0,779 de SSIM, queda que os autores consideram limitada.

O modelo escolhido atingiu distância de Levenshtein normalizada de 0,184, que os autores apresentam como recuperação de mais de 81% dos caracteres, e no exemplo detalhado, a miniatura 0326.jpg, o OCR precisou de 400 edições para chegar ao texto correto de 2.177 caracteres, cerca de 18,4% de erro.

O que o estudo não mostra

Todos os testes foram feitos com miniaturas sintéticas, produzidas por programa a partir de textos gerados por IA, e o artigo não relata ensaio com miniaturas extraídas de computadores reais nem traz a distância de Levenshtein dos métodos usados na comparação, só as medidas de imagem.

Os autores dizem que pretendem integrar módulos de reconhecimento diferenciáveis, testar documentos em vários idiomas e avaliar o uso de modelos de linguagem para corrigir erros depois da restauração.

A taxa de cerca de 18% de erro nos caracteres foi medida em condições controladas, e o próprio artigo apresenta o método como ferramenta de triagem pericial, voltada a gerar texto legível por máquina para análise automatizada.