arXiv cs.CL· Faizan Iqbal, Haq Nawaz Malik, Hafsah Pervaiz·· 10 小时前AI 评分31
从零构建 OCR：面向低资源文种的数据中心化框架
From Zero to OCR: A Data-Centric Framework for Unsupported Low-Resource Scripts
AI 导读
研究者提出一套数据中心化框架，仅用无标注文本语料和数字字体即可为缺乏标注的低资源文种构建端到端 OCR，无需人工标注任何训练图像。该框架在约 680 万使用者的克什米尔语 Nastaliq 文种上验证，词级识别 CER 为 0.39%，合成页面 10.0%，浏览器渲染数字页面 13.5%，并给出排版书籍页面 18.45%、退化历史文档 49.8% 的参考结果。
正文 · AI 翻译
摘要：光学字符识别（OCR）对许多低资源文字系统而言仍难以企及，原因在于缺乏带标注的文档图像，而合成训练数据又可能无法保留特定文字系统的视觉结构。我们提出一个以数据为中心的框架，仅凭一个未标注的文本语料库和数字字体，就能为这类文字系统构建端到端 OCR，无需人工标注任何一张训练图像。一个合成数据引擎可渲染单词、行和页面图像，并具备正确的复杂文字整形和自动推导的标签；一个 YOLOv8 单词检测器和一个使用连接时序分类训练的卷积循环识别器从这些图像中学习；一个阶段门控评估协议在引入检测之前先隔离识别错误。我们在克什米尔语上演示了该框架，这是一种波斯-阿拉伯文纳斯塔利格体文字，约有 680 万使用者，而六种广泛使用的 OCR 引擎均不支持该文字。三个行级识别器（包括一个从阿拉伯语迁移而来的识别器）停滞在 41% 至 79% 的字符错误率（CER）之间，这促使我们采用词级方案；随后的改进主要来自渲染保真度、保留变音符号的裁剪边距以及调优的非极大值抑制。最终系统在留出词上达到 0.39% 的 CER，在合成页面上为 10.0%，在浏览器渲染的数字页面上为 13.5%，并确立了在排版书页上 18.45%、在退化历史文档上 49.8% 的参考结果。我们公开发布训练好的模型、推理代码以及一个包含 285,864 张克什米尔语文本行图像的合成数据集，并描述了为其他不受支持的文字系统构建 OCR 的分步流程。
| 评论： | 9 页，9 幅图，4 张表。模型：此 https URL |
| 主题： | 计算机视觉与模式识别（cs.CV）；计算与语言（cs.CL） |
| 引用为： | arXiv:2611.00078 [cs.CV] |
| （或 arXiv:2611.00078v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.00078 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Faizan Iqbal [查看电子邮件]
[v1]
2026 年 10 月 18 日星期日 08:18:16 UTC（1,925 KB）
来源：arXiv cs.CL · arxiv.org