历史 OCR 中的错误模式：TrOCR 与视觉语言模型的比较分析
计算机视觉与模式识别
2026-02-17 v1
摘要
对 18 世纪印刷文本的光学字符识别（OCR）仍具有挑战性，主要由于印刷品质量下降、古老的字符形态以及非标准化的拼写规则。尽管基于转换器的 OCR 系统和视觉语言模型（VLM）在整体准确率方面取得了强劲的表现，但字符错误率（CER）和词错误率（WER）等指标仅能提供对其对学术用途可靠性的有限见解。我们将专用 OCR 转换器（TrOCR）和通用视觉语言模型（Qwen）在线级历史英文文本上进行比较，使用长度加权准确率指标和以假设为导向的错误分析。虽然 Qwen 在 CER/WER 上取得更低的得分并对降质输入更具鲁棒性，但它表现出选择性的语言规范化和正字法标准化，这可能会默默地改变历史上有意义的形式。TrOCR 在保存正字法忠实性方面更为一致，但更容易发生级联错误传播。我们的发现表明，架构的归纳偏差以系统性方式塑造了 OCR 错误结构。具有相似整体准确率的模型在错误局部性、可检测性和下游学术风险方面可能有显著差异，强调了在历史数字化工作流程中进行面向架构的评估的必要性。
引用
@article{arxiv.2602.14524,
title = {Error Patterns in Historical OCR: A Comparative Analysis of TrOCR and a Vision-Language Model},
author = {Ari Vesalainen and Eetu Mäkelä and Laura Ruotsalainen and Mikko Tolonen},
journal= {arXiv preprint arXiv:2602.14524},
year = {2026}
}