Thai OCR

合成数据赋能高性能泰语 OCR 模型

研究人员开发了一款泰语光学字符识别 (OCR) 模型 Wayu-Paxa-OCR-Zero，仅使用合成数据进行训练，就能在真实世界文档上实现高性能。通过仔细解耦字体、布局和手写字形等因素，研究发现字体多样性、二维结构和真实手写字形显著提高了迁移能力。与基础检查点相比，仅使用合成数据训练的模型在字符错误率方面有了大幅降低，并且优于另一个现有的 OCR 模型 Typhoon OCR v1 7B。