研究者提出免标注低资源文字OCR框架

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，就能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%，合成页面为10.0%，浏览器渲染数字页面为13.5%；排版书籍页面为18.45%，退化历史文档为49.8%。 作者公开了训练模型、推理代码和含285,864张克什米尔语文本行图像的合成数据集，并给出为其他缺乏支持的文种构建OCR的分步流程。

AI 根据报道生成 · 44 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。