论文页面 - 先分解字根，再给予奖励：面向精准中文文本渲染的细粒度检验

来源：https://huggingface.co/papers/2609.37569

摘要

让文生图模型准确渲染中文文本依然困难重重。现有的基于 OCR 的强化学习奖励机制，是将解码出的文字转录与目标字符串进行比较。这类奖励忽略了汉字书写的组合性特征：一个表意文字由可复用的部件通过明确的空间关系组合而成，而 OCR 却将它当作一个整体原子字符来评判。因此，视觉上截然不同的部件级错误可能只得到同样粗糙的反馈，促使模型生成的字形仅仅在表面上与目标相似，而非忠实地还原其内部结构。我们采用表意文字描述序列（Ideographic Description Sequences，IDS），它由空间运算符和字符部件构成，并训练了一个专门的 IDS 识别器，将渲染出的中文文本转录为这一表示。在此识别器的基础上，我们提出了 IDSpect：它以确定性方式将目标文本分解为 IDS token，并将裁剪区域级别的视觉 IDS 预测与目标序列进行对齐。全局唯一的 token 信用分配机制，使这一比较不受检测到的文本区域顺序的影响。结合整字语义奖励，IDSpect 在不改动图像生成器、也不增加推理开销的前提下，提供了包含部件与空间关系的细粒度信用分配。在对 Qwen-Image 进行 GRPO 后训练的实验中，IDSpect 在 LongText 与 GenTextEval 上取得了领先的结构质量与语义对齐表现。

查看 arXiv 页面（https://arxiv.org/abs/2609.37569）　查看 PDF（https://arxiv.org/pdf/2609.37569）　加入收藏（https://huggingface.co/login?next=%2Fpapers%2F2609.37569）

引用该论文的模型 0

目前没有模型关联到该论文

在模型 README.md 中引用 arxiv.org/abs/2609.37569，即可在此页面建立关联。

引用该论文的数据集 0

目前没有数据集关联到该论文

在数据集 README.md 中引用 arxiv.org/abs/2609.37569，即可在此页面建立关联。

引用该论文的 Spaces 0

目前没有 Space 关联到该论文

在 Space README.md 中引用 arxiv.org/abs/2609.37569，即可在此页面建立关联。

包含该论文的收藏 0

目前没有收藏包含该论文

将此论文加入收藏（https://huggingface.co/new-collection），即可在此页面建立关联。