QARI-OCR：通过多模态大语言模型适配实现高保真阿拉伯语文本识别
计算机视觉与模式识别
2025-06-04 v1 人工智能
摘要
阿拉伯文字固有的复杂性——其连写特性、变音符号（tashkeel）以及多样的排版，对光学字符识别（OCR）构成了持续挑战。我们提出了 Qari-OCR，一系列源自 Qwen2-VL-2B-Instruct 的视觉语言模型，通过在专门的合成数据集上进行迭代微调，逐步针对阿拉伯语进行了优化。我们的主打模型 QARI v0.2 创下了新的开源 SOTA 表现，在富含变音符号的文本上实现了 0.160 的词错误率（WER）、0.061 的字符错误率（CER）以及 0.737 的 BLEU 分数。Qari-OCR 展现了对 tashkeel、多样字体和文档版面的卓越处理能力，并在低分辨率图像上表现出色。进一步的探索（QARI v0.3）展示了在结构化文档理解和手写文本方面的强大潜力。本工作在阿拉伯语 OCR 的准确性和效率上取得了显著提升，并已发布所有模型和数据集以促进进一步研究。
引用
@article{arxiv.2506.02295,
title = {QARI-OCR: High-Fidelity Arabic Text Recognition through Multimodal Large Language Model Adaptation},
author = {Ahmed Wasfy and Omer Nacar and Abdelakreem Elkhateb and Mahmoud Reda and Omar Elshehy and Adel Ammar and Wadii Boulila},
journal= {arXiv preprint arXiv:2506.02295},
year = {2025}
}