面向超低资源脚本的基于对比学习的OCR方法：自动字形特征提取
计算与语言
2025-10-14 v1
摘要
UNESCO将全球语言中7000种语言中已灭绝的2500种列为濒危语言。语言的衰退导致传统智慧、民间文学以及使用该语言社区的精髓的丧失。因此，迫切需要将这些语言纳入数字时代，以避免其灭绝。低资源语言面临更大的灭绝风险。缺乏针对低资源语言的无监督光学字符识别 (OCR) 方法是阻碍其数字化进程的原因之一。我们提出VOLTAGE——一种基于对比学习的OCR方法，利用自动字形特征推荐进行基于聚类的标签。我们通过图像变换和生成对抗网络 (GAN) 对标签数据进行增强，以提高其多样性和数量。VOLTAGE使用在印度喜马拉雅地区16至20世纪使用的Takri文字族进行设计。我们呈现了Takri文字以及其他印度语言文字（包括低资源和高资源）的结果，以证明该方法的普适性。我们实现了在Takri文字上机器打印样本达95%准确率，手写样本达87%准确率。我们进行了基准测试和消融研究，并为Takri构建了下游应用，展示了我们工作的有用性。
引用
@article{arxiv.2510.10490,
title = {VOLTAGE: A Versatile Contrastive Learning based OCR Methodology for ultra low-resource scripts through Auto Glyph Feature Extraction},
author = {Prawaal Sharma and Poonam Goyal and Vidisha Sharma and Navneet Goyal},
journal= {arXiv preprint arXiv:2510.10490},
year = {2025}
}
备注
9 Pages, Plus Appendices, EACL 2024