Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2506.02295v1

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2506.02295v1 (cs)
[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

Authors:Ahmed Wasfy, Omer Nacar, Abdelakreem Elkhateb, Mahmoud Reda, Omar Elshehy, Adel Ammar, Wadii Boulila
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。
摘要: The inherent complexities of Arabic script; its cursive nature, diacritical marks (tashkeel), and varied typography, pose persistent challenges for Optical Character Recognition (OCR). We present Qari-OCR, a series of vision-language models derived from Qwen2-VL-2B-Instruct, progressively optimized for Arabic through iterative fine-tuning on specialized synthetic datasets. Our leading model, QARI v0.2, establishes a new open-source state-of-the-art with a Word Error Rate (WER) of 0.160, Character Error Rate (CER) of 0.061, and BLEU score of 0.737 on diacritically-rich texts. Qari-OCR demonstrates superior handling of tashkeel, diverse fonts, and document layouts, alongside impressive performance on low-resolution images. Further explorations (QARI v0.3) showcase strong potential for structural document understanding and handwritten text. This work delivers a marked improvement in Arabic OCR accuracy and efficiency, with all models and datasets released to foster further research.
主题: 计算机视觉与模式识别 (cs.CV) ; 人工智能 (cs.AI)
引用方式: arXiv:2506.02295 [cs.CV]
  (或者 arXiv:2506.02295v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2506.02295
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Omer Nacar [查看电子邮件]
[v1] 星期一, 2025 年 6 月 2 日 22:21:06 UTC (919 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-06
切换浏览方式为:
cs
cs.AI

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号