论文页面 - 推动艺术字场景文本识别：数据集与方法

来源：https://huggingface.co/papers/2606.24484

摘要

本文介绍了一个大规模合成数据集和专用模型架构，通过提升不规则文本布局的数据多样性和模型灵活性，解决艺术文本识别的挑战。

WordArt（https://huggingface.co/papers?q=WordArt）（艺术字）具有高度定制化的字体、纹理和布局，这使得面向WordArt（https://huggingface.co/papers?q=WordArt）的场景文本识别（WATER）比通用场景文本识别（STR）更具挑战性。现有的STR数据集和方法通常围绕常规场景文本和固定模板输入构建，难以扩展到WATER领域。因此，我们旨在从数据和模型两个角度推动这一任务的发展。在数据方面，我们构建了一个200万规模的合成数据集——WATER-S，其规模比现有艺术文本数据提升了数百倍。WATER-S包含两个互补的子集：一个通过升级的渲染管线（SynthWordArt（https://huggingface.co/papers?q=WordArt））生成，提供高精度且可控的合成WordArt数据；另一个结合了Qwen3-VL进行提示挖掘和Z-Image进行图像合成，提高了现实多样数据的覆盖度。在模型方面，我们提出了WATERec，它采用支持任意形状输入的视觉编码器和自回归解码器来建模复杂布局，从结构上打破了固定模板STR在WordArt上的瓶颈。实验表明，该架构优于以往的STR方法，在WordArt等不规则文本上达到了最先进水平。结合WATER-R（从现有真实STR数据中精心重组），我们基于新合成数据和模型设计的强基线在WordArt-Bench（https://huggingface.co/papers?q=WordArt-Bench）上达到了90.40%的准确率，大幅超越了通用型及OCR专用视觉语言模型。代码和数据可在 https://github.com/YesianRohn/WATER 获取。

查看 arXiv 页面（https://arxiv.org/abs/2606.24484）查看 PDF（https://arxiv.org/pdf/2606.24484）GitHub3（https://github.com/YesianRohn/WATER）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.24484）

在您的智能体中获取此论文：

hf papers read 2606\.24484

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本论文的模型1

Yesianrohn/WATERec-Models 图像转文本• 约3小时前更新（https://huggingface.co/Yesianrohn/WATERec-Models）

引用本论文的数据集3

Yesianrohn/WATER-Data 约3小时前更新 • 41（https://huggingface.co/datasets/Yesianrohn/WATER-Data）

Yesianrohn/WATER-Z_Captions 查看器• 约3小时前更新 • 273k • 37（https://huggingface.co/datasets/Yesianrohn/WATER-Z_Captions）

Yesianrohn/artistic-fonts 查看器• 约3小时前更新 • 11.3k • 26（https://huggingface.co/datasets/Yesianrohn/artistic-fonts）

引用本论文的空间0

没有空间链接本论文

在空间的 README.md 中引用 arxiv.org/abs/2606.24484 以从本页面链接到它。

包含本论文的收藏0

没有收藏包含本论文

将本论文添加到一个收藏（https://huggingface.co/new-collection）中以从本页面链接到它。