计算机科学 > 计算机视觉与模式识别
[提交于 2025年6月2日
]
标题: QARI-OCR:通过多模态大型语言模型适应的高保真阿拉伯文文本识别
标题: QARI-OCR: High-Fidelity Arabic Text Recognition through Multimodal Large Language Model Adaptation
摘要: 阿拉伯文书写系统的固有复杂性,包括其连笔特性、变音符号(塔什基尔)和多样的印刷字体,为光学字符识别(OCR)带来了持续的挑战。 我们提出了Qari-OCR,这是一系列基于Qwen2-VL-2B-Instruct的视觉-语言模型,通过在专门合成的数据集上进行迭代微调,逐步针对阿拉伯文进行了优化。 我们的领先模型QARI v0.2,在带有变音符号的文本上实现了新的开源最先进水平,其字错误率(WER)为0.160,字符错误率(CER)为0.061,BLEU得分为0.737。 Qari-OCR展示了在处理塔什基尔、多种字体以及文档布局方面的卓越能力,并且在低分辨率图像上表现出色。 进一步的研究(QARI v0.3)显示了结构化文档理解和手写文本的强大潜力。 这项工作显著提高了阿拉伯文OCR的准确性和效率,并且所有模型和数据集均已公开发布,以促进进一步的研究。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.