Merge branch 'feature/ocr-reread'

Co-Authored-By: Claude Sonnet 5.5 <noreply@anthropic.com>
2026-10-24 17:28:47 +09:00
parent 3652bfbf3b 6831ecdee5
commit e361e9c8e5
9 changed files with 204 additions and 5 deletions
@@ -2,6 +2,32 @@

 ---

+## 2026-10-24（OCRタブ: 切り抜きの読み直し、PaddleOCR-VL系の検証、v1.62.0）
+
+**1. 他OCRモデルの実測（Ollama、漫画ページ1枚＋合成7件）**
+- **glm-ocr**: bboxなし・プロンプト無視。本文は正確だが、縦書きで文字を落とす（合成 4/7）。
+- **unlimited-ocr**: `label [x1,y1,x2,y2]本文`（0〜999）を返し、`image` 枠がコマ枠とほぼ一致。縦書き文字は取りこぼす。
+- **deepseek-ocr**: `/api/generate` の `<|grounding|>Locate <|ref|>X<|/ref|>` だけがbbox。1問い合わせ=1枠で精度は低く、`/api/chat` では壊れる。日本語も弱い。
+- **PaddleOCR-VL（マンガ特化 `hf.co/LunarOilRig/PaddleOCR-VL-manga-GGUF:Q4_K_M`、1.6 `hf.co/PaddlePaddle/PaddleOCR-VL-1.6-GGUF`）**: mmprojが別ファイルでも `ollama pull hf.co/…` だけでvision対応で動く。プロンプトは `OCR:`。`Spotting:` はOllama経由だと本文のみでbboxは出ない。実画像の縦書き装飾文字（正解「アノワタクシハ」）はマンガ特化版だけが正解（LightOn「アノマリー」、glm「ルール」、1.6「ンッうやつーっ」）。合成7件は manga 7/7（「…」「！」「？」を半角化）、1.6 6/7、LightOn 5/7。
+- どのモデルも複数クラス（コマ・キャラ・フキダシ）の一括検出はできず、gemma4のJSON検出は引き続き必要。
+
+**2. アップスケール実験（Lanczos、1〜4倍）**
+- 実画像の切り抜き（49×215px・101×31px）は倍率で結果が変わらない。誤読はモデル要因。
+- 合成の極小文字（16px）では LightOnOCR だけ 1倍 1/7 → 2倍以上 5/7（1倍は極小画像でHTTP 500も出た）。マンガ特化版は1倍が最良で、拡大すると「ドドドドッ」の文字数が増える。
+- 方針: 基本は等倍、読み直しモデルがLightOnOCR系のときだけ短辺96px未満を2倍。AI超解像は未検証。
+
+**3. 実装**
+- `ocr-core.js` に `pickRereadModel` / `rereadPrompt` / `rereadScale` / `cropRect` / `normalizeJaPunct`（日本語を含む文字列の `...`→`…`、`!`→`！`、`?`→`？`）を追加。
+- OCRタブのモデル欄に「文字枠を切り抜いて別モデルで読み直す」と「読み直しモデル」（既定は manga → PaddleOCR-VL → glm-ocr の順に選ぶ。無ければ既定オフ）。実行時は文字枠を順に読み直し、失敗が2回続いたら打ち切って元のOCR文字を残す。ツールバーに「選択枠を読み直す」を追加。
+- Ollamaが一時的に500を返す（モデル入れ替え直後にランナーが落ちる）ことがあるため、1回だけ自動で再試行する。
+- 実機（Kapture）: 縦書き「アノワタクシハ」が LightOnOCR単体の「アークタクシー」から正解に変わる（全体2秒）。未導入モデルは404で打ち切り、元の文字が残る。
+
+**4. 保留**
+- 読み直しの並列実行・進捗の取り消し。枠の数だけ時間が掛かる。
+- Ollama経由でPaddleOCR-VLのbbox（Spotting）を取る方法。ロケーショントークンが落ちている可能性があるが原因は未調査。
+
+---
+
 ## 2026-10-24（OCRタブ新規: Ollama LightOnOCR-3でbbox・文字検出、MOSS-Imageレイアウト連携、v1.61.0）

 **1. 構成**
@@ -111,6 +111,7 @@ ComfyUI 上で動作するマンガページ作成 SPA（シングルページ
 - 検出枠はキャンバス上でドラッグ移動・角で拡縮・追加・削除でき、右の一覧でクラスと本文・説明を編集可能。「全文をコピー」「JSON をコピー」で出力
 - **MOSS-Image 連携** — 「レイアウトとして送る」で物体・コマ・キャラ・文字の bbox として MOSS-Image のレイアウトへ取り込む。フキダシ等の枠に入った文字は 1 つの文字枠にまとめる。再送時は前回の OCR 取り込み分だけ入れ替え
 - モデル設定欄は折りたたみ式（開閉状態を保存）
+- **切り抜きの読み直し** — 検出した文字枠を元画像から切り抜き、別モデル（既定はマンガ特化の PaddleOCR-VL、`ollama pull hf.co/LunarOilRig/PaddleOCR-VL-manga-GGUF:Q4_K_M`）で本文を取り直す。縦書き・装飾文字の精度が上がる。「…」「！」「？」は自動で全角化。選択した枠だけの読み直しも可能

 </details>

@@ -357,4 +358,12 @@ MIT License — 詳細は [LICENSE](LICENSE) を参照。
 - **[ComfyUI-Workflow-Studio](https://github.com/ketle-man/ComfyUI-Workflow-Studio)** — I2I 連携・ギャラリー埋め込み機能を提供するコンパニオンノード
 - **[comfyUI-particle-pixijs](https://github.com/ketle-man/comfyUI-particle-pixijs)** — PixiJS FX（パーティクル・フィルタ効果）機能を提供するコンパニオンノード
 - **[comfyui-mask-editor-one](https://github.com/ketle-man/comfyui-mask-editor-one)** — Image タブの Mask ツール・レイヤー機構の実装時に参考にしたノード
+- **[ComfyUI-LiveChatStream](https://github.com/ketle-man/ComfyUI-LiveChatStream)** — VRAM 調整（画像生成の前に Ollama のモデルをアンロードして空き VRAM を作る機能）の実装元となったノード
+- **[PaddleOCR-VL-For-Manga](https://huggingface.co/jzhang533/PaddleOCR-VL-For-Manga)**（jzhang533、Apache 2.0）— OCR タブの「切り抜きの読み直し」で、縦書き・装飾文字の読み取りに推奨しているマンガ特化の OCR モデル。元モデルは [PaddleOCR-VL](https://huggingface.co/PaddlePaddle/PaddleOCR-VL)（PaddlePaddle、Apache 2.0）、Ollama 用 GGUF は [LunarOilRig/PaddleOCR-VL-manga-GGUF](https://huggingface.co/LunarOilRig/PaddleOCR-VL-manga-GGUF)。アプリには同梱せず、利用者が Ollama で取得して使う
+- **[LightOnOCR-3](https://huggingface.co/lightonai/LightOnOCR-3-4B)**（LightOn、Apache 2.0）— OCR タブの文字検出（本文と位置）に使うモデル。Ollama 版は [maternion/LightOnOCR-3:4b](https://ollama.com/maternion/LightOnOCR-3:4b)。アプリには同梱せず、利用者が Ollama で取得して使う
+- **[Gemma 4](https://ollama.com/library/gemma4)**（Google）— OCR タブのレイアウト検出（コマ・キャラ・フキダシ等）の既定モデル（`gemma4:e4b`）。同梱せず、Ollama で取得して使う
+- **[MOSS-Image](https://github.com/OpenMOSS/MOSS-Image)**（OpenMOSS、Apache 2.0）— MOSS-Image タブが使う画像生成モデル。ComfyUI 本体のネイティブ対応を利用し、モデルは同梱しない
+- **[Ollama](https://ollama.com/)**（MIT）— OCR タブ・Auto タブ・VRAM 調整が利用するローカル LLM/VLM の実行環境
+- 同梱ライブラリ（`static/js/vendor/`、各ライセンスは同フォルダの README を参照）: [jsPDF](https://github.com/parallax/jsPDF)（MIT、PDF 出力）、[JSZip](https://github.com/Stuk/jszip)（MIT / GPLv3 デュアル、zip 保存）、[opentype.js](https://github.com/opentypejs/opentype.js)（MIT、3D テキストのフォント読込）
+- [psd-tools](https://github.com/psd-tools/psd-tools)（MIT）— Image タブの PSD 読み書き（`requirements.txt` で導入）
 - [G&#39;MIC](https://gmic.eu/) — フィルタ編集機能（G'MIC Qt GUI、外部実行ファイル連携）
@@ -111,6 +111,7 @@ A manga page creation SPA (single-page application) that runs on top of ComfyUI.
 - Detected boxes can be moved by dragging, resized by the corners, added and deleted on the canvas; class, text and description can be edited in the list on the right. "Copy all text" and "Copy JSON" export the result
 - **MOSS-Image handoff** — "Send as layout" imports the result into the MOSS-Image layout as object / panel / character / text bboxes. Text inside a balloon etc. is merged into one text box. Sending again replaces only the boxes imported from the previous OCR
 - The model settings section is collapsible (the open/closed state is remembered)
+- **Re-reading crops** — each detected text box is cropped from the original image and read again by another model (default: manga-tuned PaddleOCR-VL, `ollama pull hf.co/LunarOilRig/PaddleOCR-VL-manga-GGUF:Q4_K_M`), which improves vertical and stylized text. "…", "!" and "?" are converted to full-width automatically. A single selected box can also be re-read

 </details>

@@ -357,4 +358,12 @@ MIT License — see [LICENSE](LICENSE) for details.
 - **[ComfyUI-Workflow-Studio](https://github.com/ketle-man/ComfyUI-Workflow-Studio)** — Companion node providing I2I integration and the embedded gallery
 - **[comfyUI-particle-pixijs](https://github.com/ketle-man/comfyUI-particle-pixijs)** — Companion node providing the PixiJS FX (particle/filter effects) feature
 - **[comfyui-mask-editor-one](https://github.com/ketle-man/comfyui-mask-editor-one)** — Node referenced when implementing the Image tab's Mask tool and layer mechanism
+- **[ComfyUI-LiveChatStream](https://github.com/ketle-man/ComfyUI-LiveChatStream)** — Node the VRAM preparation feature (unloading Ollama models to free VRAM before image generation) was ported from
+- **[PaddleOCR-VL-For-Manga](https://huggingface.co/jzhang533/PaddleOCR-VL-For-Manga)** (jzhang533, Apache 2.0) — the manga-tuned OCR model recommended for reading vertical and stylized text in the OCR tab's "Re-reading crops". Based on [PaddleOCR-VL](https://huggingface.co/PaddlePaddle/PaddleOCR-VL) (PaddlePaddle, Apache 2.0); the GGUF build for Ollama is [LunarOilRig/PaddleOCR-VL-manga-GGUF](https://huggingface.co/LunarOilRig/PaddleOCR-VL-manga-GGUF). It is not bundled with the app; users pull it with Ollama
+- **[LightOnOCR-3](https://huggingface.co/lightonai/LightOnOCR-3-4B)** (LightOn, Apache 2.0) — the model used for text detection (content and position) in the OCR tab. The Ollama build is [maternion/LightOnOCR-3:4b](https://ollama.com/maternion/LightOnOCR-3:4b). Not bundled with the app; users pull it with Ollama
+- **[Gemma 4](https://ollama.com/library/gemma4)** (Google) — the default model (`gemma4:e4b`) for the OCR tab's layout detection (panels, characters, balloons, etc.). Not bundled; pulled with Ollama
+- **[MOSS-Image](https://github.com/OpenMOSS/MOSS-Image)** (OpenMOSS, Apache 2.0) — the image generation model used by the MOSS-Image tab. It relies on ComfyUI's native support and the model is not bundled
+- **[Ollama](https://ollama.com/)** (MIT) — the local LLM/VLM runtime used by the OCR tab, the Auto tab, and VRAM preparation
+- Bundled libraries (`static/js/vendor/`; see the README in that folder for each license): [jsPDF](https://github.com/parallax/jsPDF) (MIT, PDF export), [JSZip](https://github.com/Stuk/jszip) (MIT / GPLv3 dual, zip saving), [opentype.js](https://github.com/opentypejs/opentype.js) (MIT, font loading for 3D text)
+- [psd-tools](https://github.com/psd-tools/psd-tools) (MIT) — PSD import/export in the Image tab (installed via `requirements.txt`)
 - [G'MIC](https://gmic.eu/) — Filter editing (via the G'MIC Qt GUI, an external executable)
@@ -111,6 +111,7 @@
 - 检测到的框可在画布上拖动移动、拖角缩放、添加和删除；右侧列表中可编辑类别、文字和说明。可用"复制全文""复制 JSON"导出
 - **MOSS-Image 联动** — 点击"作为布局发送"，将结果作为物体・分镜・角色・文字的 bbox 导入 MOSS-Image 布局。气泡等框内的文字会合并为一个文字框。再次发送时仅替换上次 OCR 导入的框
 - 模型设置区可折叠（会记住展开/折叠状态）
+- **裁剪重新识别** — 将检测到的文字框从原图中裁剪出来，用另一个模型（默认为面向漫画的 PaddleOCR-VL，`ollama pull hf.co/LunarOilRig/PaddleOCR-VL-manga-GGUF:Q4_K_M`）重新读取文字，可提升竖排・装饰文字的精度。"…""!""?"会自动转为全角。也可只重新识别所选的框

 </details>

@@ -353,4 +354,12 @@ MIT License — 详见 [LICENSE](LICENSE)。
 - **[ComfyUI-Workflow-Studio](https://github.com/ketle-man/ComfyUI-Workflow-Studio)** — 提供I2I联动和嵌入式图库功能的配套节点
 - **[comfyUI-particle-pixijs](https://github.com/ketle-man/comfyUI-particle-pixijs)** — 提供PixiJS FX（粒子・滤镜效果）功能的配套节点
 - **[comfyui-mask-editor-one](https://github.com/ketle-man/comfyui-mask-editor-one)** — 实现Image标签Mask工具及图层机制时参考的节点
+- **[ComfyUI-LiveChatStream](https://github.com/ketle-man/ComfyUI-LiveChatStream)** — VRAM 调整功能（生成图像前卸载 Ollama 模型以腾出显存）的移植来源节点
+- **[PaddleOCR-VL-For-Manga](https://huggingface.co/jzhang533/PaddleOCR-VL-For-Manga)**（jzhang533，Apache 2.0）— OCR 标签页"裁剪重新识别"中推荐用于读取竖排・装饰文字的漫画专用 OCR 模型。基于 [PaddleOCR-VL](https://huggingface.co/PaddlePaddle/PaddleOCR-VL)（PaddlePaddle，Apache 2.0），Ollama 用 GGUF 版本为 [LunarOilRig/PaddleOCR-VL-manga-GGUF](https://huggingface.co/LunarOilRig/PaddleOCR-VL-manga-GGUF)。应用不内置该模型，需用户通过 Ollama 自行获取
+- **[LightOnOCR-3](https://huggingface.co/lightonai/LightOnOCR-3-4B)**（LightOn，Apache 2.0）— OCR 标签页用于文字检测（内容和位置）的模型。Ollama 版本为 [maternion/LightOnOCR-3:4b](https://ollama.com/maternion/LightOnOCR-3:4b)。应用不内置，需用户通过 Ollama 自行获取
+- **[Gemma 4](https://ollama.com/library/gemma4)**（Google）— OCR 标签页布局检测（分镜・角色・气泡等）的默认模型（`gemma4:e4b`）。不内置，通过 Ollama 获取
+- **[MOSS-Image](https://github.com/OpenMOSS/MOSS-Image)**（OpenMOSS，Apache 2.0）— MOSS-Image 标签页使用的图像生成模型。依赖 ComfyUI 本体的原生支持，模型不内置
+- **[Ollama](https://ollama.com/)**（MIT）— OCR 标签页、Auto 标签页和 VRAM 调整使用的本地 LLM/VLM 运行环境
+- 内置库（`static/js/vendor/`，各自的许可证见该文件夹内的 README）：[jsPDF](https://github.com/parallax/jsPDF)（MIT，PDF 导出）、[JSZip](https://github.com/Stuk/jszip)（MIT / GPLv3 双许可，zip 保存）、[opentype.js](https://github.com/opentypejs/opentype.js)（MIT，3D 文字的字体加载）
+- [psd-tools](https://github.com/psd-tools/psd-tools)（MIT）— Image 标签页的 PSD 读写（通过 `requirements.txt` 安装）
 - [G'MIC](https://gmic.eu/) — 滤镜编辑功能（通过G'MIC Qt GUI外部可执行文件联动）
@@ -82,6 +82,14 @@ const LANGUAGES = {
        'ocr.clearBoxes': '全クリア',
        'ocr.imageHint': '画像をドロップ / 貼り付け(Ctrl+V)でも読み込めます。空いている所をドラッグで枠を追加、枠をドラッグで移動・角で拡縮',
        'ocr.empty': 'ここに画像をドロップ',
+        'ocr.useReread': '文字枠を切り抜いて別モデルで読み直す',
+        'ocr.rereadModel': '読み直しモデル:',
+        'ocr.rereadHint': '縦書き・装飾文字はマンガ特化のPaddleOCR-VLが強い傾向です（ollama pull hf.co/LunarOilRig/PaddleOCR-VL-manga-GGUF:Q4_K_M）。枠の数だけ時間が掛かります。',
+        'ocr.rereadBox': '選択枠を読み直す',
+        'ocr.rereadBoxTitle': '選択中の枠を切り抜いて、読み直しモデルで文字を取り直します',
+        'ocr.progressReread': (i, n) => `切り抜きを読み直し中… ${i}/${n}`,
+        'ocr.rereadDone': '読み直しました',
+        'ocr.errReread': (m) => `読み直しに失敗しました（モデルが未導入の可能性）: ${m}`,
        'ocr.errDrop': (m) => `画像を読み込めませんでした: ${m}`,
        'ocr.modelsTitle': 'モデル（Ollama）',
        'ocr.ocrModel': 'OCRモデル:',
@@ -2025,6 +2033,14 @@ const LANGUAGES = {
        'ocr.clearBoxes': 'Clear all',
        'ocr.imageHint': 'You can also drop or paste (Ctrl+V) an image. Drag on empty area to add a box; drag a box to move, corners to resize',
        'ocr.empty': 'Drop an image here',
+        'ocr.useReread': 'Re-read text boxes from crops with another model',
+        'ocr.rereadModel': 'Re-read model:',
+        'ocr.rereadHint': 'Manga-tuned PaddleOCR-VL tends to be best on vertical and stylized text (ollama pull hf.co/LunarOilRig/PaddleOCR-VL-manga-GGUF:Q4_K_M). Takes time per box.',
+        'ocr.rereadBox': 'Re-read selected',
+        'ocr.rereadBoxTitle': 'Crop the selected box and read it again with the re-read model',
+        'ocr.progressReread': (i, n) => `Re-reading crops… ${i}/${n}`,
+        'ocr.rereadDone': 'Re-read done',
+        'ocr.errReread': (m) => `Re-read failed (is the model installed?): ${m}`,
        'ocr.errDrop': (m) => `Could not load the image: ${m}`,
        'ocr.modelsTitle': 'Models (Ollama)',
        'ocr.ocrModel': 'OCR model:',
@@ -3939,6 +3955,14 @@ const LANGUAGES = {
        'ocr.clearBoxes': '全部清除',
        'ocr.imageHint': '也可拖放或粘贴(Ctrl+V)图像。在空白处拖动添加框，拖动框移动，拖动角缩放',
        'ocr.empty': '将图像拖放到此处',
+        'ocr.useReread': '裁剪文字框并用另一个模型重新识别',
+        'ocr.rereadModel': '重新识别模型:',
+        'ocr.rereadHint': '竖排・装饰文字推荐使用面向漫画的 PaddleOCR-VL（ollama pull hf.co/LunarOilRig/PaddleOCR-VL-manga-GGUF:Q4_K_M）。耗时与框数成正比。',
+        'ocr.rereadBox': '重新识别所选框',
+        'ocr.rereadBoxTitle': '裁剪所选框，并用重新识别模型再次读取文字',
+        'ocr.progressReread': (i, n) => `正在重新识别裁剪… ${i}/${n}`,
+        'ocr.rereadDone': '已重新识别',
+        'ocr.errReread': (m) => `重新识别失败（模型可能未安装）: ${m}`,
        'ocr.errDrop': (m) => `无法加载图像: ${m}`,
        'ocr.modelsTitle': '模型（Ollama）',
        'ocr.ocrModel': 'OCR模型:',
@@ -118,6 +118,7 @@ const _HELP_DATA = [
            { heading: '準備', body: '<ul><li>OCRモデル: Ollamaで <code>maternion/LightOnOCR-3:4b</code> を用意します（文字の位置と本文を返します）。</li><li>レイアウト検出モデル（任意）: 画像対応の汎用VLM（例: <code>gemma4:e4b</code>）。OCRモデルはコマ・キャラなどのラベル検出ができないため、これらは別のVLMで検出します。</li></ul>' },
            { heading: '使い方', body: '<ol><li>画像を開く（ボタン・ドロップ・Ctrl+V貼り付け）。</li><li>検出するクラス（フキダシ・擬音・キャプション・コマ・キャラ・顔・物体）を選び「検出を実行」。文字（text）は常にOCRモデルが検出します。</li><li>キャンバスの枠をドラッグで移動、角で拡縮。空きをドラッグで枠を追加、Deleteで削除。右の一覧でクラス・本文・説明を直せます。</li><li>「全文をコピー」「JSONをコピー」で結果を取り出せます。</li></ol>' },
            { heading: 'MOSS-Imageへ送る', body: '<ul><li>「レイアウトとして送る」で、物体・コマ・キャラ・文字のbboxとしてMOSS-Imageのレイアウトに取り込み、MOSS-Imageタブへ移動します。キャンバスは元画像の縦横比に合わせられます。</li><li>顔はキャラ、フキダシ・擬音・キャプションは文字として送られます。「枠に文字をまとめる」がONのとき、フキダシ等の枠に入っているOCR文字は1つの文字枠（枠はフキダシの輪郭）になります。文字の入っていないフキダシ等は送られません。</li><li>再送すると、前回OCRから取り込んだ枠だけが入れ替わります（手で足した枠は残ります。「取り込み全クリア」で消せます）。</li></ul>' },
+            { heading: '切り抜きの読み直し', body: '<ul><li>「文字枠を切り抜いて別モデルで読み直す」をONにすると、検出した文字枠を元画像から切り抜き、「読み直しモデル」で本文を取り直します（枠の位置はそのまま）。縦書き・装飾文字は、マンガ特化のPaddleOCR-VL（<code>ollama pull hf.co/LunarOilRig/PaddleOCR-VL-manga-GGUF:Q4_K_M</code>）が強い傾向です。</li><li>PaddleOCR-VL系は「…」「！」「？」を半角で返すため、日本語を含む文字列は自動で全角に直します。</li><li>切り抜きは基本的に等倍で渡します（マンガ特化版は拡大で悪化）。読み直しモデルがLightOnOCR系のときだけ、極小の切り抜き（短辺96px未満）を2倍にします。</li><li>枠の数だけ時間が掛かります。モデルが未導入などで失敗したときは、元のOCR文字のまま残ります。手直しした枠は「選択枠を読み直す」で1つずつ取り直せます。</li></ul>' },
            { heading: '注意', body: '<ul><li>VLMの検出枠は大まかです。必要に応じて枠を直してから送ってください。</li><li>小さなOCRモデルのため、文字を読み違えることがあります。送る前に本文を確認してください。</li></ul>' },
        ],
    },
@@ -546,6 +547,7 @@ const _HELP_I18N = {
                { heading: 'Setup', body: '<ul><li>OCR model: prepare <code>maternion/LightOnOCR-3:4b</code> in Ollama (it returns text positions and content).</li><li>Layout detection model (optional): a general vision LLM such as <code>gemma4:e4b</code>. The OCR model cannot detect labels such as panels or characters, so a separate VLM detects them.</li></ul>' },
                { heading: 'How to use', body: '<ol><li>Open an image (button, drop, or Ctrl+V paste).</li><li>Choose the classes to detect (balloon, sound effect, caption, panel, character, face, object) and press "Run detection". Text is always detected by the OCR model.</li><li>Drag a box on the canvas to move it, drag a corner to resize it, drag on empty space to add one, and press Delete to remove it. Class, text and description can be edited in the list on the right.</li><li>"Copy all text" and "Copy JSON" export the result.</li></ol>' },
                { heading: 'Send to MOSS-Image', body: '<ul><li>"Send as layout" imports the result into the MOSS-Image layout as object / panel / character / text bboxes and switches to the MOSS-Image tab. The canvas is fitted to the aspect ratio of the source image.</li><li>Faces are sent as characters; balloons, sound effects and captions are sent as text. With "Merge text into frames" on, OCR text inside a balloon etc. becomes one text box (the frame is the balloon outline). Balloons without text are not sent.</li><li>Sending again replaces only the boxes imported from the previous OCR (hand-drawn boxes stay; "Clear Imported" removes them).</li></ul>' },
+                { heading: 'Re-reading crops', body: '<ul><li>With "Re-read text boxes from crops with another model" on, each detected text box is cropped from the original image and read again by the "Re-read model" (box positions are unchanged). Manga-tuned PaddleOCR-VL (<code>ollama pull hf.co/LunarOilRig/PaddleOCR-VL-manga-GGUF:Q4_K_M</code>) tends to be strongest on vertical and stylized text.</li><li>PaddleOCR-VL models return "…", "!" and "?" as half-width characters, so strings containing Japanese are converted back to full-width automatically.</li><li>Crops are sent at 1x (the manga-tuned model got worse when enlarged). Only when the re-read model is LightOnOCR-based, tiny crops (short side under 96px) are enlarged 2x.</li><li>It takes time per box. If it fails (for example the model is not installed), the original OCR text is kept. Use "Re-read selected" to redo a single box after adjusting it.</li></ul>' },
                { heading: 'Notes', body: '<ul><li>Boxes found by the VLM are approximate. Adjust them before sending if needed.</li><li>The OCR model is small and can misread text. Check the text before sending.</li></ul>' },
            ],
        },
@@ -860,6 +862,7 @@ const _HELP_I18N = {
                { heading: '准备', body: '<ul><li>OCR模型: 在 Ollama 中准备 <code>maternion/LightOnOCR-3:4b</code>（返回文字的位置和内容）。</li><li>布局检测模型（可选）: 支持图像的通用VLM（例如 <code>gemma4:e4b</code>）。OCR模型无法检测分镜、角色等标签，因此由另一个VLM检测。</li></ul>' },
                { heading: '使用方法', body: '<ol><li>打开图像（按钮、拖放或 Ctrl+V 粘贴）。</li><li>选择要检测的类别（气泡・拟声词・旁白框・分镜・角色・脸部・物体），点击"执行检测"。文字始终由OCR模型检测。</li><li>在画布上拖动框可移动，拖动角可缩放，在空白处拖动可添加，按 Delete 删除。右侧列表中可修改类别、文字和说明。</li><li>可用"复制全文""复制JSON"导出结果。</li></ol>' },
                { heading: '发送到 MOSS-Image', body: '<ul><li>"作为布局发送"会将结果作为物体・分镜・角色・文字的bbox导入 MOSS-Image 布局，并切换到 MOSS-Image 标签页。画布会调整为与原图相同的长宽比。</li><li>脸部作为角色发送；气泡・拟声词・旁白框作为文字发送。开启"将文字合并到框"时，气泡等框内的OCR文字会合并为一个文字框（框为气泡轮廓）。不含文字的气泡等不会发送。</li><li>再次发送时，只替换上次OCR导入的框（手绘的框会保留，可用"清除导入"删除）。</li></ul>' },
+                { heading: '裁剪重新识别', body: '<ul><li>开启"裁剪文字框并用另一个模型重新识别"后，会将检测到的文字框从原图中裁剪出来，用"重新识别模型"重新读取文字（框的位置不变）。竖排・装饰文字推荐使用面向漫画的 PaddleOCR-VL（<code>ollama pull hf.co/LunarOilRig/PaddleOCR-VL-manga-GGUF:Q4_K_M</code>）。</li><li>PaddleOCR-VL 系列会以半角返回"…""!""?"，因此含日文的字符串会自动转换为全角。</li><li>裁剪图按原尺寸（1 倍）发送（漫画专用模型放大后反而变差）。仅当重新识别模型为 LightOnOCR 系列时，才会将极小的裁剪图（短边不足 96px）放大 2 倍。</li><li>耗时与框数成正比。若失败（例如模型未安装），则保留原来的OCR文字。调整某个框后可用"重新识别所选框"单独重读。</li></ul>' },
                { heading: '注意', body: '<ul><li>VLM检测到的框比较粗略，发送前请根据需要调整。</li><li>OCR模型较小，可能会读错文字，发送前请确认文字。</li></ul>' },
            ],
        },
@@ -14,6 +14,7 @@ import { switchTab } from './01-state.js';
 import {
    OCR_MODEL_DEFAULT, LAYOUT_MODEL_DEFAULT, OCR_CLASSES, OCR_CLASS_KEYS, VLM_CLASS_KEYS, OCR_PROMPT,
    buildLayoutPrompt, parseOcrOutput, parseLayoutOutput, mergeDetections, toMossItems, collectText, sortReading,
+    pickRereadModel, rereadPrompt, rereadScale, cropRect, normalizeJaPunct,
 } from '../ocr-core.js';

 const $ = (id) => document.getElementById(id);
@@ -42,6 +43,7 @@ function saveSettings() {
        localStorage.setItem(STORE_KEY, JSON.stringify({
            url: $('ocr-url').value, ocrModel: $('ocr-model').value, layoutModel: $('ocr-layout-model').value,
            useLayout: $('ocr-use-layout').checked, classes, merge: $('ocr-merge-containers').checked,
+            useReread: $('ocr-use-reread').checked, rereadModel: $('ocr-reread-model').value,
        }));
    } catch (_) { /* ignore */ }
 }
@@ -49,7 +51,7 @@ function saveSettings() {
 // ─── Ollama ───
 const baseUrl = () => ($('ocr-url').value.trim() || getBackendDefaultUrl('ollama')).replace(/\/+$/, '');

-async function ollamaChat(model, prompt, b64, numPredict) {
+async function ollamaChat(model, prompt, b64, numPredict, retry = true) {
    const res = await fetch(`${baseUrl()}/api/chat`, {
        method: 'POST', headers: { 'Content-Type': 'application/json' },
        body: JSON.stringify({
@@ -58,6 +60,10 @@ async function ollamaChat(model, prompt, b64, numPredict) {
            options: { temperature: 0, num_predict: numPredict },
        }),
    });
+    if (res.status === 500 && retry) {   // モデルの入れ替え直後などでランナーが一時的に落ちることがある。1回だけやり直す
+        await new Promise(r => setTimeout(r, 800));
+        return ollamaChat(model, prompt, b64, numPredict, false);
+    }
    if (!res.ok) throw new Error(`HTTP ${res.status} ${(await res.text().catch(() => '')).slice(0, 200)}`);
    return (await res.json()).message?.content || '';
 }
@@ -78,6 +84,9 @@ async function loadModels(saved) {
        const names = ((await res.json()).models || []).map(m => m.name);
        fillModelSelect($('ocr-model'), names, saved?.ocrModel || OCR_MODEL_DEFAULT, [/lighton/i, /ocr/i]);
        fillModelSelect($('ocr-layout-model'), names, saved?.layoutModel || LAYOUT_MODEL_DEFAULT,[/gemma|qwen.*vl|vl/i]);   // 既定は LAYOUT_MODEL_DEFAULT（gemma4:e4b）。保存値が無ければ名前から推定
+        const rereadDefault = pickRereadModel(names);
+        fillModelSelect($('ocr-reread-model'), names, saved?.rereadModel || rereadDefault, []);
+        if (!rereadDefault && saved?.useReread === undefined) $('ocr-use-reread').checked = false;   // 向いたモデルが無いときは既定オフ
        const ok = names.includes(OCR_MODEL_DEFAULT) || names.some(n => /ocr/i.test(n));
        label.textContent = ok ? t('ocr.statusReady') : t('ocr.statusNoModel');
        label.className = 'comfyui-status ' + (ok ? 'connected' : 'disconnected');
@@ -111,7 +120,7 @@ async function loadImageFile(file) {
    cx.fillStyle = '#fff'; cx.fillRect(0, 0, cv.width, cv.height);
    cx.drawImage(im, 0, 0, cv.width, cv.height);
    const b64 = cv.toDataURL('image/jpeg', 0.92).split(',')[1];
-    O.img = { url, w: im.naturalWidth, h: im.naturalHeight, b64 };
+    O.img = { url, w: im.naturalWidth, h: im.naturalHeight, b64, el: im };
    O.boxes = []; O.selId = null; O.nextId = 1;
    $('ocr-run-btn').disabled = false;
    $('ocr-progress').textContent = '';
@@ -123,6 +132,7 @@ function renderAll() { renderStage(); renderList(); updateButtons(); }

 function updateButtons() {
    $('ocr-box-del-btn').disabled = !selBox();
+    $('ocr-box-reread-btn').disabled = !selBox() || !TEXTY.has(selBox().cls) || O.busy;
    $('ocr-send-moss-btn').disabled = !O.boxes.length || !O.img;
    $('ocr-count').textContent = O.boxes.length ? `(${O.boxes.length})` : '';
 }
@@ -302,6 +312,59 @@ function selectedLayoutClasses() {
    return VLM_CLASS_KEYS.filter(c => document.querySelector(`[data-ocr-class="${c}"]`)?.checked);
 }

+// ─── 切り抜き再OCR ───
+// 文字枠を元画像から切り抜き、別モデルで読み直す。LightOnOCR系だけ、極小の切り抜きを2倍にする（ocr-core.js の rereadScale）
+function cropForModel(box, model) {
+    const r = cropRect(box, O.img.w, O.img.h);
+    const k = rereadScale(model, r.sw, r.sh);
+    const cv = document.createElement('canvas');
+    cv.width = Math.round(r.sw * k); cv.height = Math.round(r.sh * k);
+    const cx = cv.getContext('2d');
+    cx.fillStyle = '#fff'; cx.fillRect(0, 0, cv.width, cv.height);
+    cx.imageSmoothingQuality = 'high';
+    cx.drawImage(O.img.el, r.sx, r.sy, r.sw, r.sh, 0, 0, cv.width, cv.height);
+    return cv.toDataURL('image/png').split(',')[1];
+}
+
+/** 1枠を読み直す。空の結果は null（元の文字を残す） */
+async function rereadBox(box, model) {
+    const out = normalizeJaPunct(await ollamaChat(model, rereadPrompt(model), cropForModel(box, model), 512));
+    return out || null;
+}
+
+async function rereadAll(prog) {
+    const model = $('ocr-reread-model').value;
+    const targets = O.boxes.filter(b => b.cls === 'text');
+    let done = 0, failed = 0;
+    for (const b of targets) {
+        prog.textContent = t('ocr.progressReread', ++done, targets.length);
+        try {
+            const text = await rereadBox(b, model);
+            if (text) { b.textOrig = b.text; b.text = text; }
+        } catch (e) {
+            console.warn('[ocr] reread failed', e);
+            if (++failed >= 2) throw new Error(t('ocr.errReread', e.message || String(e)));   // モデル未導入などで全滅するときは打ち切る
+        }
+    }
+}
+
+async function onRereadSelected() {
+    const b = selBox();
+    if (!b || O.busy || !O.img) return;
+    O.busy = true; updateButtons();
+    const prog = $('ocr-progress');
+    try {
+        prog.textContent = t('ocr.progressReread', 1, 1);
+        const text = await rereadBox(b, $('ocr-reread-model').value);
+        if (text) { b.textOrig = b.text; b.text = text; renderList(); }
+        prog.textContent = t('ocr.rereadDone');
+    } catch (e) {
+        prog.textContent = t('ocr.errRun', e.message || String(e));
+    } finally {
+        O.busy = false; updateButtons();
+    }
+}
+
 async function onRun() {
    if (O.busy || !O.img) return;
    if (O.boxes.length && !confirm(t('ocr.confirmReplace'))) return;
@@ -322,12 +385,17 @@ async function onRun() {
        O.boxes = mergeDetections(ocrBoxes, vlmBoxes).map(b => ({ ...b, id: O.nextId++ }));
        O.selId = null;
        renderAll();
-        prog.textContent = t('ocr.done', O.boxes.length, ((Date.now() - started) / 1000).toFixed(1));
+        let rereadError = '';
+        if ($('ocr-use-reread').checked && $('ocr-reread-model').value) {
+            try { await rereadAll(prog); } catch (e) { rereadError = e.message || String(e); }   // 検出結果は残し、元のOCR文字のまま
+            renderAll();
+        }
+        prog.textContent = rereadError || t('ocr.done', O.boxes.length, ((Date.now() - started) / 1000).toFixed(1));
    } catch (e) {
        console.warn('[ocr] run failed', e);
        prog.textContent = t('ocr.errRun', e.message || String(e));
    } finally {
-        O.busy = false; $('ocr-run-btn').disabled = !O.img;
+        O.busy = false; $('ocr-run-btn').disabled = !O.img; updateButtons();
    }
 }

@@ -370,6 +438,7 @@ async function initOcrTabOnce() {
        document.querySelectorAll('[data-ocr-class]').forEach(el => { el.checked = saved.classes.includes(el.dataset.ocrClass); });
    }
    if (saved.useLayout === false) $('ocr-use-layout').checked = false;
+    if (saved.useReread !== undefined) $('ocr-use-reread').checked = !!saved.useReread;
    if (saved.merge === false) $('ocr-merge-containers').checked = false;

    const md = $('ocr-models-details');   // モデル欄の開閉状態を保存
@@ -383,6 +452,7 @@ async function initOcrTabOnce() {
        if (f) loadImageFile(f).catch(err => alert(err.message));
    });
    $('ocr-box-del-btn').addEventListener('click', deleteSelected);
+    $('ocr-box-reread-btn').addEventListener('click', onRereadSelected);
    $('ocr-box-clear-btn').addEventListener('click', () => {
        if (!O.boxes.length || !confirm(t('ocr.confirmClear'))) return;
        O.boxes = []; O.selId = null; renderAll();
@@ -392,7 +462,7 @@ async function initOcrTabOnce() {
    $('ocr-copy-text-btn').addEventListener('click', () => copyText(collectText(O.boxes), 'ocr.copied'));
    $('ocr-copy-json-btn').addEventListener('click', () => copyText(boxesAsJson(), 'ocr.copied'));
    $('ocr-send-moss-btn').addEventListener('click', onSendMoss);
-    for (const id of ['ocr-url', 'ocr-model', 'ocr-layout-model', 'ocr-use-layout', 'ocr-merge-containers']) $(id).addEventListener('change', saveSettings);
+    for (const id of ['ocr-url', 'ocr-model', 'ocr-layout-model', 'ocr-use-layout', 'ocr-merge-containers', 'ocr-use-reread', 'ocr-reread-model']) $(id).addEventListener('change', saveSettings);
    document.querySelectorAll('[data-ocr-class]').forEach(el => el.addEventListener('change', saveSettings));
    $('ocr-url').addEventListener('change', () => loadModels(loadSettings()));
    window.addEventListener('resize', () => { if ($('ocr-tab')?.classList.contains('active')) renderStage(); });
@@ -226,3 +226,46 @@ export function collectText(boxes) {
    return sortReading(boxes.filter(b => b.cls === 'text' || (OCR_CLASSES[b.cls]?.container && b.text)))
        .map(b => b.text).filter(Boolean).join('\n');
 }
+
+// ── 切り抜き再OCR ──
+// OCRモデルで取った文字枠を元画像から切り抜き、別モデルで読み直す（日本語の縦書き・装飾文字の精度を上げる）。
+// 実測（DEVLOG 2026-10-24）: マンガ特化のPaddleOCR-VLは縦書きの装飾文字に強く等倍が最良、LightOnOCRは極小の切り抜きだけ2倍で改善する。
+
+/** 再OCRに向くモデルを一覧から選ぶ（マンガ特化 → PaddleOCR-VL → GLM-OCR の順）。無ければ '' */
+export function pickRereadModel(names) {
+    for (const re of [/paddleocr.*manga/i, /paddleocr/i, /glm-ocr/i]) {
+        const hit = names.find(n => re.test(n));
+        if (hit) return hit;
+    }
+    return '';
+}
+
+/** モデルごとのOCR指示文（PaddleOCR-VLは "OCR:"、GLM-OCRは "Text Recognition:"） */
+export function rereadPrompt(model) {
+    const m = String(model || '');
+    if (/paddle/i.test(m)) return 'OCR:';
+    if (/glm-ocr/i.test(m)) return 'Text Recognition:';
+    return 'Extract all text from this image.';
+}
+
+export const UPSCALE_SHORT_SIDE = 96;   // LightOnOCRに渡す切り抜きの短辺がこれ未満なら2倍に拡大
+/** 切り抜き(px)の拡大率。LightOnOCR系だけ極小のとき2倍、それ以外は等倍（マンガ特化版は拡大で悪化した） */
+export function rereadScale(model, w, h) {
+    return /lighton/i.test(String(model || '')) && Math.min(w, h) < UPSCALE_SHORT_SIDE ? 2 : 1;
+}
+
+/** 正規化bbox → 元画像の切り抜き矩形(px)。短辺の6%+4pxの余白を足す */
+export function cropRect(box, imgW, imgH) {
+    const bw = (box.x2 - box.x1) * imgW, bh = (box.y2 - box.y1) * imgH;
+    const pad = Math.round(Math.min(bw, bh) * 0.06) + 4;
+    const sx = Math.max(0, Math.floor(box.x1 * imgW - pad)), sy = Math.max(0, Math.floor(box.y1 * imgH - pad));
+    const ex = Math.min(imgW, Math.ceil(box.x2 * imgW + pad)), ey = Math.min(imgH, Math.ceil(box.y2 * imgH + pad));
+    return { sx, sy, sw: Math.max(1, ex - sx), sh: Math.max(1, ey - sy) };
+}
+
+/** PaddleOCR-VL系は「…」「！」「？」を半角（...・!・?）で返すので、日本語を含む文字列だけ全角に戻す */
+export function normalizeJaPunct(text) {
+    const s = String(text || '').trim();
+    if (!isCjk(s)) return s;
+    return s.replace(/\.{2,}/g, '…').replace(/!/g, '！').replace(/\?/g, '？');
+}
@@ -2311,6 +2311,7 @@
                    <input type="file" id="ocr-file" accept="image/*" style="display:none" />
                    <span style="font-size:12px;" data-i18n="ocr.drawType">描画種別:</span>
                    <select id="ocr-draw-class" class="comfyui-select" style="width:auto"></select>
+                    <button id="ocr-box-reread-btn" class="btn small secondary" disabled data-i18n="ocr.rereadBox" data-i18n-title="ocr.rereadBoxTitle">選択枠を読み直す</button>
                    <button id="ocr-box-del-btn" class="btn small danger" disabled data-i18n="common.delete">削除</button>
                    <button id="ocr-box-clear-btn" class="btn small danger" data-i18n="ocr.clearBoxes">全クリア</button>
                  </div>
@@ -2331,6 +2332,11 @@
                  </div>
                  <div class="comfyui-field"><label class="comfyui-label" data-i18n="ocr.layoutModel">検出モデル:</label><select id="ocr-layout-model" class="comfyui-select"></select></div>
                  <div style="font-size:11px; color:#888;" data-i18n="ocr.layoutHint">OCRモデルは文字の位置と本文だけを返します。コマ・キャラ・フキダシ等は、画像対応の汎用VLM（gemma4 など）で検出します。</div>
+                  <div class="comfyui-field" style="margin-top:8px;">
+                    <label class="comfyui-checkbox-label" style="display:inline-flex; align-items:center; gap:4px;"><input type="checkbox" id="ocr-use-reread" checked> <span data-i18n="ocr.useReread">文字枠を切り抜いて別モデルで読み直す</span></label>
+                  </div>
+                  <div class="comfyui-field"><label class="comfyui-label" data-i18n="ocr.rereadModel">読み直しモデル:</label><select id="ocr-reread-model" class="comfyui-select"></select></div>
+                  <div style="font-size:11px; color:#888;" data-i18n="ocr.rereadHint">縦書き・装飾文字はマンガ特化のPaddleOCR-VLが強い傾向です（ollama pull hf.co/LunarOilRig/PaddleOCR-VL-manga-GGUF:Q4_K_M）。枠の数だけ時間が掛かります。</div>
                </div>
                </details>
                <div class="comfyui-field-group" style="margin-top:10px">