从报纸到像素：演化乌尔都克文本识别
计算机视觉与模式识别
2026-03-05 v3
摘要
本文对比分析了大型语言模型（LLM）与传统光学字符识别（OCR）系统在乌尔都克报纸上的表现，聚焦复杂多列布局、低分辨率扫描以及纳斯塔利克（Nastaliq）脚本的风格化变异等挑战。为处理这些挑战，我们对 YOLOv11x 模型进行微调，用于文章级和栏级文本块提取，并训练基于 SwinIR 的超分辨率模块提升图像质量，以改善下游文本识别准确率，平均提升 50%。我们进一步引入乌尔都克报纸基准（Urdu Newspaper Benchmark, UNB），一个包含 829 幅段落图像、共 9,982 句的手动标注数据集，用于乌尔都克 OCR。结合 UNB 与 OpenITI 语料库，我们系统比较了传统 CNN+RNN 基于 OCR 系统与现代 LLM，在其中详细分析插入、删除和替换错误，以及字符级混淆模式。我们发现 Gemini-2.5-Pro 在 UNB 上表现最佳（WER 0.133），而仅通过微调 500 份领域内样本即可使 GPT-4o 性能提升 6.13% 绝对值，表明 LLM 对低资源、形态学复杂脚本如乌尔都克具有良好的适应性。UNB 数据集与微调模型已公开于 https://github.com/sameearif/urdu-newspaper-benchmark。
引用
@article{arxiv.2505.13943,
title = {From Press to Pixels: Evolving Urdu Text Recognition},
author = {Samee Arif and Sualeha Farid},
journal= {arXiv preprint arXiv:2505.13943},
year = {2026}
}