11:49
官方账号arXiv cs.AI@Pouria Mahdi, Haq Nawaz Malik
推荐理由：做波斯语OCR不用愁数据了，Persian Pixel有34万张合成图加上25种真实退化模拟，直接拿它训模型比手动标注省事得多。
Persian Pixel
共 1 条相关 AI 资讯
7月23日
11:49
波斯语虽然被超过1.1亿人使用，但其OCR技术远落后于拉丁语系语言，原因是文字复杂且缺乏大规模标注数据。Persian Pixel数据集包含343,000多张高保真图像-文本对，来自精心筛选的700万波斯词语料库。生成管道SynthOCR-Gen模拟了波斯文字连写、字形变体、变音符号等特征，并加入25种以上随机退化模型（如墨迹扩散、纸张老化、模糊等）。该数据集可用于训练TrOCR、Donut等基于Transformer的OCR模型，为低资源复杂文字OCR提供可扩展的合成数据方案。