Cross-Lingual SynthDocs：面向阿拉伯语OCR与文档理解的大规模合成语料库
计算与语言
2025-11-10 v1 计算机视觉与模式识别
摘要
Cross-Lingual SynthDocs是一个大规模合成语料库，旨在解决阿拉伯语资源在光学字符识别（OCR）和文档理解（DU）方面的匮乏问题。该数据集包含超过250万个样本，包括150万个文本数据、27万个完全标注的表格以及数十万基于真实数据的图表。我们的管道利用真实扫描背景、双语布局和受 diacritic 约束的字体，捕捉阿拉伯文档的排版和结构复杂性。除了文本，该语料库还包括多种图表和表格的渲染样式。对SynthDocs进行微调的Qwen-2.5-VL模型在多个公开阿拉伯语基准测试中，在字词错误率（WER）和字符错误率（CER）方面实现了持续的改进，同时在其他模态中，Tree-Edit Distance Similarity（TEDS）和Chart Extraction Score（CharTeX）也取得了改善。SynthDocs为多语言文档分析的研究提供了一个可扩展、视觉上逼真的资源。
关键词
引用
@article{arxiv.2511.04699,
title = {Cross-Lingual SynthDocs: A Large-Scale Synthetic Corpus for Any to Arabic OCR and Document Understanding},
author = {Haneen Al-Homoud and Asma Ibrahim and Murtadha Al-Jubran and Fahad Al-Otaibi and Yazeed Al-Harbi and Daulet Toibazar and Kesen Wang and Pedro J. Moreno},
journal= {arXiv preprint arXiv:2511.04699},
year = {2025}
}