LV-ROVER-MLT: Low-Resource Maltese OCR by Synthetic Fine-Tuning and Multi-Stream Arbitration
Independent Researcher（独立研究员）
针对马耳他语OCR资源匮乏的问题，提出合成训练管道和5流Tesseract LV-ROVER集成，在422段落基准上将字符错误率从0.0234降至0.00700（降幅70%），其中集成识别贡献44%的改进。
2026-08-31 cs.CL cs.CV
Optical Character Recognition of 19th Century Classical Commentaries: the Current State of Affairs
Université de Lausanne（洛桑大学）；EPFL（洛桑联邦理工学院）；Mount Allison University（蒙特爱立森大学）
与评论版本和翻译一起，评论是文学和文本学术出版的主要类型之一，并有一个世纪之久的传统。然而，迄今为止，光学字符识别（OCR）的质量差阻碍了对数千份数字化历史注释的利用，尤其是对希腊文本的注释。在本文中，我们评估了两个管道的性能，适用于历史经典评论的OCR。我们的研究结果表明，Kraken + Ciaconna在具有高密度多音调希腊文本的评论部分上达到了比Tesseract/OCR-D低得多的字符出错率（CER）（平均CER 7%对13%），而Tesseract/OCR-D在主要以拉丁字母书写的文本部分上比Kraken + Ciaconna略准确（平均CER 8.2%对8.4%）。作为本文的一部分，我们还发布了GT 4 HistComment，这是一个小型数据集，包含19世纪经典评论的OCR地面实况和Pogretra，这是一个大型的训练数据集合和各种古希腊字体的预训练模型。
2021-10-13 cs.CV cs.DL
To show or not to show: Redacting sensitive text from videos of electronic displays
Indian Institute of Science（印度科学学院）；PulseLabs AI（脉冲实验室人工智能公司）
随着视频记录的日益普及，越来越需要能够维护被记录者隐私的工具。在本文中，我们定义了一种方法，用于编辑个人身份的文字从视频中使用的组合的光学字符识别（OCR）和自然语言处理（NLP）技术。我们研究了这种方法在使用不同OCR模型时的相对性能，特别是Tesseract和Google Cloud Vision（GCV）的OCR系统。对于所提出的方法的性能GCV，在精度和速度，是显着高于Tesseract。最后，我们探讨了这两种模型在实际应用中的优点和缺点。
2022-08-19 cs.AI cs.CV cs.LG
Boosting Optical Character Recognition: A Super-Resolution Approach
The Chinese University of Hong Kong（香港中文大学）；Shenzhen Institutes of Advanced Technology（深圳先进技术研究院）
文本图像的超分辨率是计算机视觉领域一个具有挑战性的研究课题。特别地，低分辨率图像妨碍典型的光学字符识别（OCR）系统的性能。在这篇文章中，我们总结了ICDAR 2015年文本图像超分辨率竞赛的参赛作品。实验基于所提供的ICDAR 2015 TextSR数据集和已发布的Tesseract-OCR 3.02系统。我们报告说，我们获奖的文本图像超分辨率框架大大提高了低分辨率图像作为输入的OCR性能，达到了77.19%的OCR准确率，与使用原始高分辨率图像的78.80%相当。
2015-06-07 cs.CV
Transcribing Spanish Texts from the Past: Experiments with Transkribus, Tesseract and Granite
Universidad Nacional de Educación a Distancia (UNED)（西班牙国家远程教育大学）
本文介绍GRESEL团队在IberLEF 2025的PastReader共享任务中，基于消费级硬件用Transkribus、Tesseract和紧凑型多模态模型开展三类OCR实验，结果满意但待改进，未来将与BNE合作探索新技术。
2025-07-07 cs.CL cs.CV
Design and Implementation of an OCR-Powered Pipeline for Table Extraction from Invoices
本文设计并实现了一种基于Tesseract OCR的流水线，通过动态预处理、表格边界检测和行列映射，从扫描发票中高效提取结构化表格数据，显著提升准确性与一致性，适用于自动化财务和数字归档。
2025-07-09 cs.AI cs.CV
Image Based Character Recognition, Documentation System To Decode Inscription From Temple
Vellore Institute of Technology Chennai（韦洛尔理工学院金奈校区）
本研究训练并分析OCR方法，以解码布里哈迪斯瓦拉神庙的10世纪泰米尔铭文，使用Tesseract和ICR技术，通过准确率评估性能，旨在提升古代铭文的保存与解读。
2024-05-21 cs.AI cs.CV cs.LG
When Do VLMs Help Arabic Manuscript OCR? A Cross-Dataset Study
Qatar Computing Research Institute（卡塔尔计算研究所）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）；Northwestern University in Qatar（卡塔尔西北大学）；University of Doha for Science Technology（多哈科技大学）
本文通过跨8类阿拉伯语文本数据集的实验，探究VLMs对阿拉伯手稿OCR的助力场景，提出OCR先验可恢复性原则，支持构建自适应OCR-VLM工作流。
2026-08-25 cs.CV
State of the Art Optical Character Recognition of 19th Century Fraktur Scripts using Open Source Engines
University of Würzburg（维尔茨堡大学）
在本文中，我们评估光学字符识别（OCR）的19世纪的Fraktur脚本没有使用混合模型，即模型训练识别各种字体和排版从以前看不见的来源。我们描述了强大的混合OCR模型的训练过程，并将其与流行的开源引擎OCRopus和Tesseract以及最先进的商业系统ABBYY的免费模型进行比较。为了进行评估，我们使用了来自19世纪书籍、期刊和词典的各种看不见的数据。实验结果表明，用真实数据训练混合模型优于用合成数据训练，新的OCR引擎Calamari明显优于其他引擎，平均将ABBYY字符出错率（CER）降低了70%以上，平均CER低于1%。
2018-10-08 cs.CV
Evaluating OCR performance on food packaging labels in South Africa
Department of Computer Science, University of the Western Cape（计算机科学系，南非西部大学）；School of Public Health, University of the Western Cape（公共卫生学院，南非西部大学）；Department of Dietetics and Nutrition, University of the Western Cape（营养学系，南非西部大学）；eResearch Office, University of the Western Cape（eResearch办公室，南非西部大学）
本研究针对南非食品包装标签场景，评估四款开源OCR系统的提取性能，构建专用数据集与真值子集测试多维度指标，得出各系统优劣结论，为该领域提供基准与研究方向。
2025-10-03 cs.AI cs.CV
Calamari - A High-Performance Tensorflow-based Deep Learning Package for Optical Character Recognition
Universität Würzburg（维尔茨堡大学）
基于现代和历史数据的光学字符识别（OCR）技术一直是研究者关注的焦点。特别是历史印刷品需要特定于书籍的经过训练的OCR模型来实现适用的结果（Springmann和Lüdeling，2016年，Reul等人，2017年a）。为了减少人工注释地面实况（GT）的人力，各种技术（例如投票和预训练）已显示出非常有效（Reul等人，2018 a，Reul等人，2018年b）。Calamari是一款新的开源OCR行识别软件，它既使用了在Tensorflow中实现的最先进的深度神经网络（DNN），又为预训练和投票等技术提供了原生支持。由卷积神经网络（CNNS）和长短期记忆（LSTM）层构建的可定制网络架构由Graves等人（2006）的所谓连接时间分类（CTC）算法训练。GPU的可选使用大大减少了训练和预测的计算时间。我们使用两个不同的数据集来比较Calamari与OCRopy，OCRopus 3和Tesseract 4的性能。Calamari在以现代英语编写的UW 3数据集上达到0.11%的字符出错率（CER），在以德语Fraktur编写的DTA 19数据集上达到0.18%，这大大优于现有软件的结果。
2018-08-06 cs.CV
An End-to-End Khmer Optical Character Recognition using Sequence-to-Sequence with Attention
Techo Startup Center (TSC)（德卓创业中心）；Royal University of Phnom Penh (RUPP)（金边皇家大学）
本文提出了一种用于高棉语光学字符识别（OCR）任务的端到端深度卷积递归神经网络解决方案。所提出的解决方案使用具有注意力机制的序列到序列（Seq2Seq）架构。编码器通过残差卷积块层和门控递归单元（GRU）层从输入文本行图像中提取视觉特征。特征被编码在单个上下文向量和一系列隐藏状态中，这些隐藏状态被馈送到解码器，用于一次解码一个字符，直到达到特殊的句末（EOS）标记。注意力机制允许解码器网络在预测目标字符的同时自适应地选择输入图像的部分。Seq2Seq高棉语OCR网络在大量计算机生成的文本行图像上进行了训练，这些图像用于七种常见的高棉语字体。该模型的性能优于国家的最先进的Tesseract OCR引擎的高棉语的3000张图片的测试集，实现了字符出错率（CER）的1%比3%。
2021-06-21 cs.CV
Design of an Optical Character Recognition System for Camera-based Handheld Devices
School of Mobile Computing and Communication, Jadavpur University（贾达普大学移动计算与通信学院）；MCKV Institute of Engineering（MCKV工程学院）；Department of Computer Science and Engineering, Jadavpur University（贾达普大学计算机科学与工程系）
本文提出了一个完整的光学字符识别（OCR）系统的摄像头捕获的图像/图形嵌入文本文件的手持设备。首先，提取文本区域并进行倾斜校正。然后，这些区域被二值化并分割成线条和字符。字符被传递到识别模块。实验用一组100张名片图像，由手机摄像头捕获，我们已经取得了最高的识别准确率为92.74%。与Tesseract相比，Tesseract是一个开源的基于桌面的强大OCR引擎，目前的识别精度值得贡献。此外，所开发的技术是计算效率高，消耗低内存，以便适用于手持设备。
2011-09-15 cs.CV
Evaluating OCR Performance for Assistive Technology: Effects of Walking Speed, Camera Placement, and Camera Type
研究评估了在静态和动态条件下OCR性能，探讨行走速度、相机位置和类型对识别准确率的影响，发现行走速度和视角扩大会降低识别准确率，Google Vision表现最佳。
2026-03-22 cs.CV
ReceiptSense: Beyond Traditional OCR -- A Dataset for Receipt Understanding
Innsbruck University（因斯布鲁克大学）；High Institute for Computers（计算机与管理信息高级学院）；Chungbuk National University（Chungbuk国立大学）；Louisville University（路易斯维尔大学）；University of Innsbruck（因斯布鲁克大学）
本文提出ReceiptSense，一个包含20,000张带注释收据的阿拉伯语-英语收据理解数据集，并建立基线性能，以推进多语言文档处理研究。
2025-09-10 cs.CL cs.CV
Development of a Multi-User Recognition Engine for Handwritten Bangla Basic Characters and Digits
Techno India College of Technology（泰克诺印度技术学院）；Jadavpur University（贾达普大学）
本文的目的是识别手写样本的基本孟加拉语字符使用Tesseract开源光学字符识别（OCR）引擎在Apache许可证2.0。手写数据样本包含孤立的孟加拉语基本字符和数字收集不同的用户。Tesseract使用文档页面的用户特定数据样本进行训练，以生成表示唯一语言集的单独用户模型。每个这样的语言集识别从指定用户收集的孤立的基本孟加拉语手写测试样本。在一个三用户模型上，分别用919、928和648个孤立的手写字符和数字样本对系统进行训练，并分别在1527、14116和1279个字符和数字样本上测试系统的性能。用户特定的字符/数字识别的准确率分别为90.66%，91.66%和96.87%。该系统的总体基本字符级和数字级的准确率分别为92.15%和97.37%。在整个数据集上，系统未能分割12.33%的字符和15.96%的数字，并且错误地分类了7.85%的字符和2.63%的数字。
2010-03-30 cs.CV
synthocr-gen: A synthetic ocr dataset generator for low-resource languages- breaking the data barrier
SynthOCR-Gen通过生成低资源语言OCR数据集，解决OCR开发中的数据瓶颈问题，为视觉-语言AI模型的普及提供实用路径。
2026-01-22 cs.CL cs.CV
A Benchmark of State-Space Models vs. Transformers and BiLSTM-based Models for Historical Newspaper OCR
LITIS EA4108, University of Rouen Normandy, France（里蒂斯EA4108，鲁昂诺曼底大学，法国）；LITIS EA4108, INSA of Rouen Normandy, France（里蒂斯EA4108，鲁昂诺曼底国立应用科学学院，法国）
提出基于状态空间模型（Mamba）的OCR架构，在历史报纸数据集上与Transformer和BiLSTM模型对比，在保持精度的同时推理时间减半且内存扩展更优。
2026-06-24 cs.CV cs.LG
A Novel Approach to OCR using Image Recognition based Classification for Ancient Tamil Inscriptions in Temples
VIT, Chennai Campus（韦洛尔理工学院金奈校区）
对金石学家来说，识别古代泰米尔文字一直是一个挑战。这主要是因为语言已经发展了几个世纪，字符集在这段时间已经扩大和多样化。这项拟议的工作的重点是提高光学字符识别技术的古泰米尔脚本，这是在7日和12世纪之间使用。虽然全面策划古代泰米尔字符的功能数据集是一项艰巨的任务，但在这项工作中，使用某些寺庙铭文上发现的字符的裁剪图像来策划数据集，具体到这个时候作为案例研究。本文采用大津阈值法对图像进行二值化处理后，定义了一个二维的卷积神经网络，并用它对泰米尔古文字进行了训练、分类和识别。为了实现光学字符识别技术，使用Python的pytesseract库将神经网络连接到Tesseract。作为一个额外的功能，这项工作还结合了谷歌的文本语音引擎，以产生数字化文本的音频输出。现代和古代泰米尔人的各种样本被收集并通过该系统。结果发现，在所考虑的时间段内研究泰米尔语铭文，可以实现77.7%的综合效率。
2019-07-04 cs.CV eess.IV
ExTTNet: A Deep Learning Algorithm for Extracting Table Texts from Invoice Images
International Computer Institute, Ege University（埃杰大学国际计算机学院）
提出ExTTNet深度学习算法，结合OCR和特征提取，用多层神经网络从发票图像中自动提取表格文本，F1分数达0.92。
2024-02-03 cs.AI cs.CV cs.IR
Ancient but Digitized: Developing Handwritten Optical Character Recognition for East Syriac Script Through Creating KHAMIS Dataset
University of Kurdistan Hewlêr（库尔德斯坦大学赫勒校区）
本文针对濒危的东叙利亚文，创建了包含624句手写句子的KHAMIS数据集，并以此微调Tesseract-OCR引擎的预训练模型，成功开发了手写OCR模型，其测试集表现比默认模型好两倍。
2024-08-24 cs.CL cs.CV
Benchmarking OCR Pipelines with Adaptive Enhancement for Multi-Domain Retail Bill Digitization
Data Analytics Team Lead, JP Research India Pvt. Ltd.（JP Research India Pvt. Ltd. 数据分析团队负责人）；PhD Scholar, Business Analytics and Information Technology（Business Analytics and Information Technology 博士学者）
本文提出并评估了针对多领域零售票据数字化的智能、质量感知自适应OCR流水线，通过自监督去噪训练CNN图像增强模块，结合三层路由的图像质量分析和自信驱动的反馈循环，实现字符识别错误率降低26.4%、词错误率降低31.2%。
2026-04-28 cs.CV cs.LG
Improving OCR Quality in 19th Century Historical Documents Using a Combined Machine Learning Based Approach
Graz University of Technology（格拉茨技术大学）；Know Center（知识中心）；University of Graz（格拉茨大学）
本文针对19世纪哈布斯堡《Schematismus》文献的复杂结构，提出结合Faster R-CNN结构识别与微调Tesseract-OCR的组合方法，使CER和WER分别改善71.98%和52.49%，显著提升了历史文献的OCR质量与数据提取能力。
2024-01-15 cs.CV cs.LG
BLPnet: A new DNN model and Bengali OCR engine for Automatic License Plate Recognition
Military Institute of Science and Technology（军事科学技术研究院）
针对英文车牌的自动车牌识别系统的开发一直备受关注。然而，尽管孟加拉语国家是世界上第六大人口，但在ALPR系统解决道路安全措施不足的更令人担忧的交通管理问题方面，孟加拉语国家没有取得重大进展。本文报告了一个计算效率高，精度合理的孟加拉语字符自动车牌识别（ALPR）系统与一个新的端到端DNN模型，我们称之为孟加拉语车牌网络（BLPnet）。该模型采用级联结构，在车牌检测之前检测车辆区域，消除了误报，提高了车牌检测的准确率。此外，较低的一组可训练的参数被认为是减少计算成本，使系统更快，更兼容的实时应用。该模型采用基于CNN的新孟加拉语OCR引擎和文字映射过程，具有字符旋转不变性，能够快速提取、检测并输出完整的车牌号码。该模型以每秒17帧的速度对实时视频进行输入，检测车辆的均方误差为0.0152，平均车牌字符识别准确率为95%。与其他模型相比，BLPnet在车牌检测精度和时间要求方面分别比基于YOLO的ALPR模型和Tesseract模型提高了5%和20%。
2022-02-18 cs.AI cs.CV cs.NE
Character Keypoint-based Homography Estimation in Scanned Documents for Efficient Information Extraction
TCS Research（塔塔咨询服务公司研究院）
多幅图像之间精确的单应性估计是许多计算机视觉应用的先决条件。在当今的数字时代中特别相关的一个应用是对准扫描的或相机捕获的文档图像，诸如用于信息抽取的保险索赔表格。传统的基于学习的方法由于缺乏适当的梯度而表现不佳。基于特征的关键点提取技术用于在真实场景图像中的单应性估计，或者由于尖锐的文本边缘而检测到极大量的不一致的关键点，或者由于文档图像之间的照明和视点差异的变化而产生不准确的关键点对应。在本文中，我们提出了一种新的算法对齐扫描或相机捕获的文档图像使用基于字符的关键点和参考模板。该算法既快速又准确，并且利用标准的光学字符识别（OCR）引擎（例如Tesseract）来找到基于字符的明确的关键点，该关键点用于识别两个图像之间的精确关键点对应关系。最后，使用关键点计算测试文档与模板之间的单应性映射。我们评估了所提出的方法，信息抽取对两个现实世界的匿名数据集组成的健康保险索赔表和结果支持所提出的技术的可行性。
2019-11-14 cs.CV
Crossing Language Borders: A Pipeline for Indonesian Manhwa Translation
本文提出一种面向印尼语到英语的漫画翻译流水线，结合微调 YOLOv5xu 检测气泡、Tesseract OCR 和微调 MarianMT，实现低资源语言漫画翻译自动化。
2025-01-03 cs.CL cs.CV cs.LG
DeepErase: Weakly Supervised Ink Artifact Removal in Document Text Images
Ernst & Young LLP（安永会计师事务所）
像保险、法律和政府这样的纸张密集型行业长期以来一直利用光学字符识别（OCR）将大量扫描文档自动转录为文本字符串，以供下游处理。即使在2019年，仍有许多扫描的文档和邮件以非数字格式进入企业。要从真实世界文档中提取的文本通常位于丰富的格式中，例如表格结构或带有填空框或下划线的表单，其墨水经常接触甚至穿透文本本身的墨水。此外，文本区域可能具有随机墨水污迹或虚假笔划。这样的墨水伪像会严重干扰识别算法或其他下游处理任务的性能。在这项工作中，我们提出了Deepcraft，一个基于神经的预处理器，从文本图像中删除墨水伪影。我们设计了一种方法，以编程方式组装成逼真的“脏”文本图像的真实文本图像和真正的文物，并用它们来训练文物分割网络在弱监督的方式，因为像素级的注释自动获得在组装过程中。除了高分割精度，我们表明，我们的清洗图像实现了显着提高识别精度的流行OCR软件，如Tesseract 4.0。最后，我们在扫描的国税局纳税申报表的分发外数据集（NIST SDB）上测试了DeepMind，并在准确性上实现了两位数的提高。所有的实验都是在印刷和手写文本上进行的。所有实验的代码可在https://github.com/yikeqicn/DeepErase上获得
2020-01-16 cs.CV cs.LG cs.NE
Deep learning-based NLP Data Pipeline for EHR Scanned Document Information Extraction
Division of Pulmonary, Critical Care and Sleep Medicine, Department of Internal Medicine, University of Texas Medical Branch（德克萨斯大学医学分部内科学系肺、重症监护与睡眠医学部）；School of Biomedical Informatics, University of Texas Health Science Center at Houston（德克萨斯大学休斯顿健康科学中心生物医学信息学学院）；Center for Outcomes Research, Houston Methodist（休斯顿卫理公会医院结果研究中心）
本文提出一种基于深度学习的NLP数据管道，用于处理电子健康记录中扫描文档的信息提取，评估了图像预处理、NLP模型选择及文档布局对信息提取效果的影响。
2021-09-14 cs.CL cs.CV
Text Extraction and Retrieval from Smartphone Screenshots: Building a Repository for Life in Media
Stanford University（斯坦福大学）
日常生活体验与移动终端的使用日益交织。以秒为单位的屏幕捕获正在用于行为研究和实施“及时”健康干预措施。数字信息的心理广度不断增加，将继续使人们观看的实际屏幕成为生活经验数据的首选来源。有效和高效的信息抽取和检索从数字屏幕截图是一个至关重要的先决条件，成功地使用屏幕数据。在本文中，我们提出的实验工作流程，我们利用：（一）预处理一个独特的收集屏幕截图，（二）提取嵌入在图像中的非结构化文本，（三）组织图像文本和元数据的基础上结构化的模式，（四）索引所产生的文档集合，（五）允许图像检索通过一个专门的垂直搜索引擎应用程序。所采用的程序集成了不同的开放源码库的传统图像处理，光学字符识别（OCR），图像检索。我们的目的是评估是否以及如何将最先进的方法应用于这一新的数据集。我们展示了如何将基于OpenCV的预处理模块与基于Tesseract OCR的长短期记忆（LSTM）版本相结合，而无需专门的训练，从而使提取的文本具有74%的字符级准确度。此外，我们使用处理后的存储库作为专用图像检索系统的基线，供行为和预防科学家立即使用和应用。我们讨论了文本信息抽取和检索的问题，特别是截图图像的情况下，并提出了重要的未来工作。
2018-01-04 cs.CV cs.DL cs.IR
Deep Learning Based Vehicle Tracking System Using License Plate Detection And Recognition
Shah and Anchor Kutchhi Engineering College（沙阿与安克尔库奇工程学院）
车辆跟踪是智能交通管理系统中不可或缺的一部分。以前的车辆跟踪系统使用基于全球定位系统（GPS）的系统，该系统通过智能手机提供个人车辆的位置。所提出的系统使用车辆牌照检测和识别（VLPR）技术进行车辆跟踪的新方法，该方法可以与交通管理系统大规模集成。最初的方法，实现VLPR使用简单的图像处理技术，这是相当实验性和启发性。随着深度学习和计算机视觉的出现，人们可以创建强大的VLPR系统，可以产生接近人类效率的结果。基于深度学习的先前实现利用目标检测和支持向量机进行检测，并利用基于启发式图像处理的方法进行识别。该系统利用场景文本检测模型架构进行车牌检测，并使用光学字符识别引擎（OCR）Tesseract进行识别。该系统在高速公路视频上使用NVIDIA Ge-force RTX 2080 ti GPU进行测试时，获得了非常出色的结果，速度为每秒30帧，精度接近人类。
2020-05-10 cs.CV cs.LG eess.IV
AIRRI: Towards a Human-Readable, Machine-Resistant Reading Interface
University of Rhode Island（罗德岛大学）
本研究提出AIRRI框架，结合图像变换与RayS等对抗攻击技术，可大幅降低Tesseract等图像文本提取系统的性能，减少AI辅助完成作业的可能性。
2026-10-14 cs.CV cs.HC cs.LG
