OCR-Quality：用于 OCR 质量评估的人类标注数据集
计算机视觉与模式识别
2025-10-28 v1 人工智能
摘要
我们提出了 OCR-Quality，一个综合的人类标注数据集，用于评估和开发 OCR 质量评估方法。该数据集由 1000 页 PDF 页面转换为 300 DPI 的 PNG 图像组成，样本来源于多样化的真实场景，包括学术论文、教科书、电子书和多语言文档。每个文档均使用最先进的视觉语言模型（VLM）进行处理，并采用 4 档评分系统（1：优秀，2：良好，3：一般，4：差）进行人工标注。数据集包括详细的来源信息、标注指南以及 various difficulty levels（不同难度级别）的典型案例。OCR-Quality 解决了在实际应用中可靠评估 OCR 质量的关键需求，为训练和评估 OCR 验证系统提供了宝贵的基准数据集。该数据集已公开发布于 https://huggingface.co/datasets/Aslan-mingye/OCR-Quality。
引用
@article{arxiv.2510.21774,
title = {OCR-Quality: A Human-Annotated Dataset for OCR Quality Assessment},
author = {Yulong Zhang},
journal= {arXiv preprint arXiv:2510.21774},
year = {2025}
}