English(EN) From Zero to OCR: A Data-Centric Framework for Unsupported Low-Resource Scripts

新框架利用合成数据为低资源脚本构建OCR

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-04 05:00

研究人员开发了一个新颖的数据中心框架，能够在没有手动标注文档图像的情况下为低资源脚本构建光学字符识别（OCR）系统。该系统利用未标注的文本语料库和数字字体生成合成训练数据，保留了特定脚本的视觉结构。该方法成功应用于克什米尔语（一种波斯-阿拉伯纳斯塔利克字体），在保留词上实现了0.39%的字符错误率，并在包括历史文献在内的各种文档类型上创下了新的参考结果。 AI

影响使以前不支持的语言能够进行OCR，有可能解锁大量文本数据用于分析和数字化。

排序理由该项目是一篇学术论文，详细介绍了OCR开发的新框架和方法论。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 42 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该项目是一篇学术论文，详细介绍了OCR开发的新框架和方法论。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, product; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Faizan Iqbal, Haq Nawaz Malik, Hafsah Pervaiz · 2026-11-04 05:00

从零到OCR：一种面向不受支持的低资源脚本的数据中心框架

arXiv:2611.00078v1 Announce Type: cross Abstract: Optical character recognition (OCR) remains inaccessible to many low-resource scripts because annotated document images are unavailable and synthetic training data can fail to preserve script-specific visual structure. We present …

本文如何被排名

报道来源 [1]

从零到OCR：一种面向不受支持的低资源脚本的数据中心框架

相关实体

相关话题