JaPOC: Japanese Post-OCR Correction Benchmark using Vouchers
FA Research, Fast Accounting Co., Ltd.（FA研究部，快会计有限公司）
本文构建了首个日语凭证OCR纠错基准JaPOC，并提出基于语言模型的简单纠错基线方法，实验证明其能显著提升识别准确率。
2024-09-30 cs.AI cs.CL cs.CV
HalalBench: A Multilingual OCR Benchmark for Food Packaging Ingredient Extraction
HalalLens Research（HalalLens研究）
本文提出HalalBench，首个多语言食品包装OCR基准，包含1043张图像和36438个标注，评估四种引擎并验证发现，通过后处理算法提升36%F1值，通过HalalLens验证。
2026-02-19 cs.CL cs.CV
OCR of historical printings with an application to building diachronic corpora: A case study using the RIDGES herbal corpus
LMU Munich（慕尼黑大学）；Humboldt-Universität zu Berlin（柏林洪堡大学）
本文描述了一个案例研究的结果，该案例研究将基于神经网络的光学字符识别（OCR）应用于1487年至1870年印刷的书籍的扫描图像，方法是在RIDGES草药文本语料库[@OdebrechtEtAlSubmitted]上训练OCR引擎OCRopus [@breuel2013high]。训练特定的OCR模型是可能的，因为必要的 * 地面真相 * 可以作为纠错的外交翻译。OCR结果已被评估的准确性对地面真相看不见的测试集。单个文档的机器可读文本的字符和单词准确度（正确识别项目的百分比）范围从94%到99%以上（字符级别）和从76%到97%（单词级别）。这包括最早的印刷书籍，直到最近才被认为是OCR方法无法访问的。此外，在由不同印刷日期和不同排版的书籍组成的语料库的一部分上训练的OCR模型 *（混合模型）* 已经测试了它们对包含其他字体的另一部分的书籍的预测能力，大多数产生的字符准确率远高于90%。因此，似乎有可能构建在一系列字体上训练的通用模型，这些模型可以应用于各种各样的历史印刷品，仍然可以给出良好的结果。然后，对某些页面进行适度的后校正工作将使个别模型的训练具有更好的准确性。使用这种方法，包括早期印刷品的历时语料库可以比手工转录更快，更便宜地构建。这里报道的OCR方法打开了通过基本上自动化的手段将我们的印刷文本文化遗产转化为电子文本的可能性，这是大规模转换扫描书籍的先决条件。
2017-02-01 cs.CL cs.DL
An End-to-End OCR Framework for Robust Arabic-Handwriting Recognition using a Novel Transformers-based Model and an Innovative 270 Million-Words Multi-Font Corpus of Classical Arabic with Diacritics
Helwan University（赫尔万大学）
这项研究是第二阶段，在一系列的调查，发展光学字符识别（OCR）的阿拉伯历史文件，并研究如何不同的建模程序与问题的相互作用。第一项研究研究了Transformers对我们定制的阿拉伯语数据集的影响。第一次研究的缺点之一是训练数据的大小，由于缺乏资源，我们的3000万张图像中只有15000张图像。此外，我们还添加了图像增强层、时间和空间优化以及后校正层，以帮助模型预测正确上下文的正确单词。值得注意的是，我们提出了一种端到端的文本识别方法，使用视觉Transformer作为编码器，即BEIT，并使用vanilla Transformer作为解码器，消除了用于特征提取的CNN，并降低了模型的复杂性。实验表明，我们的端到端模型优于卷积骨干。该模型获得了4.46%的CER。
2022-08-26 cs.CL cs.CV cs.LG
Lexically Aware Semi-Supervised Learning for OCR Post-Correction
Carnegie Mellon University（卡内基梅隆大学）；University of British Columbia（不列颠哥伦比亚大学）；George Mason University（乔治梅森大学）
世界上许多语言的大部分现有语言数据都被锁在非数字化的书籍和文件中。光学字符识别（OCR）可用于产生数字化文本，并且先前的工作已经证明了神经后校正方法的实用性，该方法改善了通用OCR系统在识别资源较少的语言上的结果。然而，这些方法依赖于手动管理的校正后数据，与需要数字化的未注释原始图像相比，这些数据相对较少。在本文中，我们提出了一种半监督学习方法，该方法可以利用这些原始图像来提高性能，特别是通过使用自训练，一种模型在其自身输出上迭代训练的技术。此外，为了加强识别词汇的一致性，我们引入了一种词汇感知解码方法，该方法使用基于计数的语言模型从识别文本构建神经后校正模型，使用加权有限状态自动机（WFSA）进行高效和有效的解码。四种濒危语言的结果证明了所提出的方法的实用性，相对误差减少了15- 29%，我们发现自我训练和词汇感知解码的结合对于实现一致的改进至关重要。数据和代码可在https://shrutirij.github.io/ocr-el/上获得。
2021-11-04 cs.CL
DriveThru: a Document Extraction Platform and Benchmark Datasets for Indonesian Local Language Archives
Institut Teknologi Bandung（万隆理工学院）；Universitas Amikom Yogyakarta（日惹阿米科姆大学）；Universitas Dian Nuswantoro（迪恩·努斯万托罗大学）；Boston University（波士顿大学）
本文提出DriveThru平台，利用OCR技术数字化印尼当地语言印刷文档以构建NLP数据集，并研究LLM在OCR后校正中提升字符和词准确率的能力。
2024-11-15 cs.CL
Noisy Parallel Data Alignment
George Mason University（乔治梅森大学）
当前自然语言处理的一个持续挑战是，其主要进展如何倾向于不成比例地支持资源丰富的语言，而将大量资源不足的语言抛在后面。由于缺乏训练和评估模型所需的资源，大多数现代语言技术要么不存在，要么不可靠，无法处理濒危的、本地的和非标准化的语言。光学字符识别（OCR）常用于将濒危语言文档转换为机器可读数据。然而，这样的OCR输出通常是有噪声的，并且大多数单词对齐模型不是为了在这样的噪声条件下工作而构建的。在这项工作中，我们研究了现有的词级对齐模型在嘈杂的设置，旨在使他们更强大的噪音数据。我们的噪声模拟和结构偏置方法，在多个语言对上进行测试，设法将最先进的基于神经的对齐模型的对齐出错率降低到59.6%。
2023-02-10 cs.CL cs.LG
VOLTAGE: A Versatile Contrastive Learning based OCR Methodology for ultra low-resource scripts through Auto Glyph Feature Extraction
Infosys Pune（印度皮什尼信息技术公司 Pune分公司）；BITS Pilani（比哈尔理工学院）
提出基于对比学习和自动字形特征提取的OCR方法VOLTAGE，通过图像变换和GAN扩充数据，在低资源Takri等文字上实现高识别准确率并验证其通用性。
2025-10-12 cs.CL
Leveraging Text Repetitions and Denoising Autoencoders in OCR Post-correction
University of Turku（图尔库大学）
提高OCR质量的一种常见方法是基于模型的后处理步骤，用于纠正误检测的字符和标记。这些模型通常在OCR读取文本的对齐对及其手动校正的对应物上进行训练。在本文中，我们表明，手动校正的训练数据的要求，可以减轻估计OCR错误，从重复的文本跨度在大型OCR阅读文本语料库中发现，并生成合成训练样本以下的错误分布。我们使用生成的数据来训练字符级神经seq2seq模型，并评估建议的模型在手动校正的芬兰报纸语料库上的性能，这些语料库主要来自19世纪。结果表明，一个明显的改善，底层OCR系统以及以前建议的模型，利用均匀产生的噪声可以实现。
2019-06-26 cs.CL
Upcycle Your OCR: Reusing OCRs for Post-OCR Text Correction in Romanised Sanskrit
IIT Kharagpur（印度理工学院克勒格布尔分校）；University of California, San Diego（加利福尼亚大学圣迭戈分校）；Walmart Labs, India（沃尔玛实验室（印度））
我们提出了一个后OCR文本校正的方法，在罗马化梵语的数字化文本。由于缺乏资源，我们的方法使用的OCR模型训练的其他语言写在罗马。目前，没有可用于罗马化梵文OCR的数据集。因此，我们自举了一个包含430张图像的数据集，这些图像在两种不同的设置下扫描，并获得了相应的地面实况。对于训练，我们综合生成两种设置的训练图像。我们发现使用复制机制（Gu et al.，2016）在解决单调序列到序列任务中，字符识别率（CRR）比当前最先进的模型增加了7.69个百分比（Schnober等人，2016年）。我们发现，我们的系统在打击OCR倾向性错误方面是强大的，因为它从OCR输出中获得了87.01%的CRR，其中一个数据集设置的CRR为35.76%。对模型进行的人类判断调查表明，我们提出的模型的预测结果比其他系统更快地理解和改进人类。
2018-09-06 cs.CL
OCR Error Post-Correction with LLMs in Historical Documents: No Free Lunches
University of Turku（图尔库大学）
本研究评估了开放权重LLMs在历史英语和芬兰语OCR后校正中的效果，发现LLMs能降低英语CER但对芬兰语效果有限，揭示了其在大规模历史语料库应用中的潜力与局限。
2025-02-03 cs.CL
Estimating Post-OCR Denoising Complexity on Numerical Texts
Shift Technology（希夫特科技）；La Rochelle Université（拉罗谢尔大学）
本文提出一种估计文本去噪复杂度的方法，用于评估数值文本的OCR后处理难度，并验证了该估计器的有效性。
2023-07-03 cs.CL
Advancing Post-OCR Correction: A Comparative Study of Synthetic Data
Insight Centre for Data Analytics（数据分析洞察中心）；School of Computer Science, University College Dublin（都柏林大学学院计算机科学学院）
该研究探索合成数据在OCR后纠错中的应用，提出基于计算机视觉字形相似度的合成数据生成算法，验证ByT5等模型无需人工标注即可降低CER，且新方法在低资源语言上更具优势。
2024-08-13 cs.CL
From the Paft to the Fiiture: a Fully Automatic NMT and Word Embeddings Method for OCR Post-Correction
University of Helsinki（赫尔辛基大学）
大量的历史语料库在数字化过程中由于使用了光学字符识别（光学字符识别）方法而产生错误。手动纠正这些错误是一个耗时的过程，并且很大一部分自动方法一直依赖于规则或监督机器学习。我们提出了一种全自动无监督的方法来提取并行数据，用于训练基于字符的序列到序列NMT（神经机器翻译）模型来进行OCR纠错。
2019-10-12 cs.CL
OCR Post-Processing Error Correction Algorithm using Google Online Spelling Suggestion
LACSC – Lebanese Association for Computational Sciences（黎巴嫩计算科学协会（LACSC））
随着数字光学扫描仪的出现，许多纸质书籍，教科书，杂志，文章和文档正在转变为可以由计算机操作的电子版本。为此，开发了OCR，即光学字符识别的缩写，用于将扫描的图形文本转换为可编辑的计算机文本。不幸的是，OCR仍然是不完美的，因为它偶尔会错误地识别字母和错误地识别扫描文本，导致OCR输出文本中的拼写错误和语言错误。本文提出了一种基于上下文的OCR后处理纠错算法，用于检测和纠正OCR非字和实字错误。该算法基于Google的在线拼写建议，该建议利用了一个内部数据库，其中包含从网络上收集的大量术语和单词序列，便于为OCR过程中拼写错误的单词提出可能的替代方案。实验结果表明，OCR错误纠正率有了明显的提高。未来的研究可以改进所提出的算法，使其可以并行化，并在多处理平台上执行。
2012-04-01 cs.CL
Enhancing OCR Performance through Post-OCR Models: Adopting Glyph Embedding for Improved Correction
University of Zurich（苏黎世大学）
本研究提出利用CharBERT和独特字形嵌入的后OCR校正模型，有效弥补低性能OCR模型的不足，并实现单词级校正，提升OCR整体性能。
2023-08-29 cs.CL cs.CV
Post-OCR Document Correction with large Ensembles of Character Sequence-to-Sequence Models
Department of Computer Science, Dalhousie University（达尔豪斯大学计算机科学系）；Institute of Research in Social Sciences and Humanities (ICSOH), Universidad Nacional de Salta - CONICET（萨尔塔国立大学社会科学与人文研究所（ICSOH）- CONICET）；Department of Computer Science and Engineering, Universidad Nacional del Sur（南方国立大学计算机科学与工程系）；Institute for Computer Science and Engineering, UNS–CONICET（UNS–CONICET 计算机科学与工程研究所）
在本文中，我们提出了一种新的方法，字符序列到序列模型的基础上，纠正文件已经处理的光学字符识别（OCR）系统。本文的主要贡献是一组策略，以准确地处理字符串远长于用于训练序列模型，同时是样本和资源效率，支持彻底的实验。具有最佳性能的策略涉及将输入文档拆分为字符n-gram，并使用相当于大量序列模型的集合的投票方案将其单独的校正组合到最终输出中。我们进一步研究如何衡量这个合奏的每个成员的贡献。我们在ICDAR 2019年OCR后文本校正竞赛的九种语言上测试了我们的方法，并在其中五种语言中实现了最先进的性能。我们的OCR后校正代码在https://github.com/jarobyte91/post_ocr_correction上共享。
2022-01-25 cs.CL
Hybrid Neural-LLM Pipeline for Morphological Glossing in Endangered Language Documentation: A Case Study of Jungar Tuvan
Department of Linguistics, University of Washington（语言学系，华盛顿大学）；Department of Middle Eastern Languages and Cultures, University of Washington（中东语言与文化系，华盛顿大学）
本文提出一种混合神经-大语言模型管道，用于朱加尔图瓦语的形态学 glossing，通过结合神经序列标注和 LLM 后修正，显著减少标注工作量。
2026-03-01 cs.CL
RoundTripOCR: A Data Generation Technique for Enhancing Post-OCR Error Correction in Low-Resource Devanagari Languages
Indian Institute of Technology Bombay（印度理工学院孟买分校）
针对低资源天城文语言OCR后纠错数据稀缺问题，提出RoundTripOCR合成数据生成技术，并发布六种语言数据集，利用预训练变换器模型将OCR错误视为误译进行纠正。
2025-02-23 cs.CL cs.CV
Cleaning Dirty Books: Post-OCR Processing for Previously Scanned Texts
Stony Brook University（石溪大学）
为了进行NLP分析，需要清理大量的数字化书籍，这是因为扫描文本中存在错误，语料库中存在重复的卷。在本文中，我们认为存在的光学字符识别（OCR）错误的重复数据删除的问题。我们提出了处理这些错误的方法，对来自古腾堡项目数据集的19，347个文本和来自HathiTrust图书馆的96，635个文本进行了评估。我们证明了语言模型的改进，现在可以检测和纠正OCR错误，而不考虑扫描图像本身。通过对齐相同基础工作的成对扫描发现的不一致性提供了训练数据以构建用于检测和校正错误的模型。我们从58，808次扫描中识别出17，136本重复扫描的书籍中的每一本的规范版本。最后，我们研究的方法来检测和纠正单拷贝文本中的错误。我们表明，平均而言，我们的方法纠正的错误是它引入的错误的六倍以上。我们还提供了有趣的分析扫描质量和其他因素，如位置和出版年份之间的关系。
2021-10-22 cs.CL
Oral to Web: Digitizing 'Zero Resource'Languages of Bangladesh
Bangladesh Computer Council（孟加拉国计算机委员会）；Jahangirnagar University（贾hangirnagar大学）
本文介绍了多语言云语料库，旨在为孟加拉国的濒危语言提供数字化资源，涵盖42种语言，通过系统田野工作和多模态数据收集，支持低资源NLP和语言保护。
2026-03-06 cs.CL cs.HC
When Simpler Is Better: Evaluating Translation Pipelines for Medieval Latin Manuscripts
Eötvös Loránd University（厄特沃什·罗兰大学）；King Fahd University of Petroleum and Minerals（法赫德国王石油与矿产大学）
针对历史手稿翻译难题，提出评估中世纪拉丁文手稿图像到翻译流程的框架。通过CATMuS数据集对比发现领域特定OCR模型优势，引入新数据集IPC，实验揭示简单管道表现更佳，为低资源历史场景翻译系统部署提供基准与指导。
2026-07-07 cs.AI cs.CL cs.CV
Optimizing the Neural Network Training for OCR Error Correction of Historical Hebrew Texts
Bar Ilan University（巴伊兰大学）
本文提出一种自动生成语言和任务特定训练数据的方法，有效减少手动标注需求并优化轻量级神经网络，在历史希伯来文OCR后纠错任务中优于现有模型和复杂拼写检查器。
2023-07-30 cs.CL cs.LG
ICDAR 2026 HIPE-OCRepair Competition on LLM-Assisted OCR Post-Correction for Historical Documents
École Polytechnique Fédérale de Lausanne (EPFL), Switzerland（瑞士联邦理工学院洛桑分校）；University of Zurich, Switzerland（苏黎世大学）
ICDAR 2026的HIPE-OCRepair竞赛旨在评估大语言模型辅助历史文档OCR后校正系统能力，提供可重现评估框架。四支队伍提交不同策略系统，结果显示虽能提高OCR质量，但性能因多种因素而异，还存在过度校正问题，相关资源已发布供后续研究。
2026-07-10 cs.AI cs.CL cs.IR
An Unsupervised method for OCR Post-Correction and Spelling Normalisation for Finnish
University of Helsinki（赫尔辛基大学）；Rootroo Ltd（Rootroo有限公司）；University of Gothenburg（哥德堡大学）
已知历史语料库包含由数字化过程中使用的OCR（光学字符识别）方法引入的错误，通常被认为是降低NLP系统的性能。手动纠正这些错误是一个耗时的过程，并且很大一部分自动方法一直依赖于规则或监督机器学习。我们建立在以前的工作上的全自动无监督提取并行数据训练一个基于字符的序列到序列NMT（神经机器翻译）模型进行OCR纠错设计的英语，并适应芬兰提出的解决方案，考虑到丰富的形态的语言。我们的新方法显示出更高的性能，同时保持完全无监督，并增加了拼写规范化的好处。源代码和模型可以在GitHub和Zenodo上找到。
2020-11-06 cs.CL cs.LG
Multimodal LLMs for OCR, OCR Post-Correction, and Named Entity Recognition in Historical Documents
University of Mannheim（曼海姆大学）
本研究探讨了多模态大语言模型（mLLMs）在历史文档OCR、OCR后纠错及命名实体识别任务中的应用，发现其表现优于传统模型，且无需预处理或微调即可实现高精度转录与结构化数据提取。
2025-04-01 cs.AI cs.CL cs.DL
Evaluating In-Context Learning and Retrieval Strategies for Devanagari Post-OCR Correction
Indian Institute of Technology Jodhpur（印度理工学院焦特布尔分校）
本研究首次系统评估LLM在天城文OCR后校正中的上下文学习，提出CharBM25检索策略，在印地语和马拉地语上显著优于随机选择，且与12B+模型结合实现免训练可靠校正。
2026-09-21 cs.CL cs.CV
Reference-Based Post-OCR Processing with LLM for Precise Diacritic Text in Historical Document Recognition
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST））
针对历史变音符号文档OCR错误，提出利用电子书参考与LLM的后处理方法，生成高精度伪标签，平均评分8.72，优于现有模型，并公开数据集。
2025-02-27 cs.CL cs.CV
Can OCR-VLMs Read Devanagari? A Stress-Test Benchmark and Post-Correction Study
本研究通过合成退化条件和真实扫描图像，系统评估了10种OCR系统在天城文（印地语）上的表现，发现专用OCR-VLM在退化条件下最脆弱，真实扫描性能远低于合成文本，并提出了错误分类和后纠正方法。
2026-06-28 cs.CL cs.CV
Post-OCR Text Correction for Bulgarian Historical Documents
AWS AI Labs（亚马逊云科技人工智能实验室）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文针对19世纪保加利亚历史文献的OCR后文本校正问题，构建首个基准数据集，提出利用当代文本生成合成数据并结合大语言模型与改进的编码器-解码器框架，使校正质量较现有最优方法提升16%。
2024-08-31 cs.CL cs.DL cs.LG
SiDiaC: Sinhala Diachronic Corpus
Department of Computer Science & Engineering, University of Moratuwa（计算机科学与工程系，穆拉图瓦大学）
SiDiaC 是首个全面的僧加罗语历时性语料库，涵盖从5世纪到20世纪的58,000个单词，经过筛选和标注后，为僧加罗语NLP研究提供了基础资源，支持词形变化、新词追踪和历史语法研究。
2025-12-30 cs.CL
Data Generation for Post-OCR correction of Cyrillic handwriting
Dbrain
本文提出一种基于贝塞尔曲线的西里尔文手写体合成引擎，通过生成数据训练T5架构的seq2seq模型进行OCR后纠正，显著提升了真实手写文本的词与字符准确率。
2023-11-27 cs.CL cs.CV
LEDGER: A Long-Context Benchmark of Corporate Annual Reports for Grounded Financial Retrieval and Extraction
Artefact Research Center（Artefact 研究中心）；MICS, CentraleSupélec, Université Paris-Saclay（巴黎萨克雷大学中央理工高等电力学院 MICS 实验室）；Ardian
提出LEDGER基准，包含4,999份数字化公司年报，用于评估大语言模型在长上下文金融任务中的表现，涵盖KPI检索、单值查找和全量提取任务。
2026-06-12 cs.CL
Multilingual OCR-Aware Fine-Tuning and Prompt-Guided Chain-of-Thought Reasoning for Multimodal Large Language Models
Meta AI；UT Austin（德克萨斯大学奥斯汀分校）
提出一种多语言OCR感知的多模态训练框架，通过合成数据生成、OCR感知微调和结构化视觉链式思维提示，提升多模态大语言模型在复杂视觉条件下的OCR完整性和多语言翻译准确性。
2026-08-13 cs.CL cs.CV cs.LG
Statistical Learning for OCR Text Correction
Dalhousie University（达尔豪斯大学）；University of Louisiana at Lafayette（路易斯安那大学拉斐特分校）
光学字符识别（OCR）的准确性对文本分析流水线后续应用的成功至关重要。最近的OCR后处理模型显着提高了OCR生成的文本的质量，但仍然倾向于从有限的观察建议校正候选人，而不足以说明OCR错误的特征。在本文中，我们展示了如何扩大候选建议空间，通过使用外部语料库，并整合OCR特定的功能，在回归的方法来纠正OCR产生的错误。评估结果表明，我们的模型可以纠正61.5%的OCR错误（考虑前1个建议）和71.5%的OCR错误（考虑前3个建议），对于理论校正上限为78%的情况。
2016-11-21 cs.CL cs.CV cs.LG
OCR Error Correction Using Character Correction and Feature-Based Word Classification
School of Computer Science, Tel Aviv University（特拉维夫大学计算机科学学院）；Institut d’études avancées de Paris（巴黎高等研究院）
本文探讨了使用学习分类器进行OCR后文本校正。阿拉伯语的实验表明，这种方法，它集成了加权混淆矩阵和浅语言模型，改善了绝大多数的分割和识别错误，我们的数据集上最常见的错误类型。
2016-04-21 cs.CL cs.IR
Resume Information Extraction via Post-OCR Text Processing
Huawei Turkey Research and Development Center（华为土耳其研发中心）
本研究提出通过OCR预处理和YOLOv8目标识别对简历文本组进行分类以提取信息，使用BERT等模型对比发现DistilBERT在参数较少时表现更优。
2023-06-23 cs.CL cs.CV
OCR Context-Sensitive Error Correction Based on Google Web 1T 5-Gram Data Set
LACSC – Lebanese Association for Computational Sciences（黎巴嫩计算科学协会（LACSC））
自计算机时代开始以来，信息已经以数字方式表示，以便可以由电子计算机处理。当时，纸质书籍和文件大量出版，因此需要将其转换为数字格式。OCR是光学字符识别的缩写，其目的是将纸质图书转换为数字电子图书。令人遗憾的是，OCR系统仍然是错误和不准确的，因为它们在识别的文本中产生拼写错误，特别是当源文档的打印质量较低时。本文提出了一种OCR后处理上下文相关纠错方法，用于检测和纠正非字和实字OCR错误。该方法的基础是使用Google Web 1 T 5-gram数据集作为单词字典来检查OCR文本。Google数据集包含了非常大的词汇表和完全从互联网上获得的单词统计数据，使其成为执行基于词典的错误纠正的可靠来源。所提出的解决方案的核心是三种算法的组合：错误检测，候选拼写生成器和纠错算法，它们都利用从Google Web 1 T 5-gram数据集提取的信息。在不同语言的扫描图像上进行的实验表明，OCR纠错率有了很大的提高。作为未来的发展，所提出的算法是并行化，以支持并行和分布式计算架构。
2012-04-01 cs.CL cs.IR
Extending TrOCR for Text Localization-Free OCR of Full-Page Scanned Receipt Images
Nagoya University（名古屋大学）；K.K. Best Path Research（Best Path研究株式会社）；Money Forward, Inc.（Money Forward公司）
提出无文本定位的文档级OCR模型，通过逐步增大裁剪块微调TrOCR，在SROIE数据集上实现87.8 F1和4.98% CER，优于基线。
2023-10-16 cs.CL cs.CV
CLOCR-C: Context Leveraging OCR Correction with Pre-trained Language Models
Centre for Advanced Spatial Analysis, University College London（伦敦大学学院高级空间分析中心）
本文提出CLOCR-C方法，利用预训练语言模型的上下文能力进行OCR后纠错，实验显示可显著降低字符错误率并提升下游任务性能，同时发布新数据集以促进研究。
2025-01-22 cs.CL cs.DL
Reading or Guessing? Visual Grounding Failures of Vision-Language Models for OCR in Ancient Greek Editions
Inria（法国国家信息与自动化研究所）
通过对比开放权重视觉语言模型与传统OCR基线在低资源古希腊批判版本上的表现，发现VLM即使错误也能生成流畅文本，表明其依赖语言先验，并引入扰动和标记级定位度量分析视觉证据。
2026-09-09 cs.AI cs.CL cs.CV
Enhancing OCR for Sino-Vietnamese Language Processing via Fine-tuned PaddleOCRv5
本研究通过微调PaddleOCRv5提升汉那姆文本识别精度，实现对越南历史文件的高效OCR处理及跨语言语义研究。
2025-11-29 cs.CL cs.CV
Vartani Spellcheck -- Automatic Context-Sensitive Spelling Correction of OCR-generated Hindi Text Using BERT and Levenshtein Distance
Birla Institute of Technology, Mesra（贝拉理工学院梅斯拉分校）
传统的光学字符识别（OCR）系统生成高度屈折的印度语（如印地语）的文本，由于宽的字母表集、复合字符和在单词中分割字符的困难，其往往遭受差的准确性。自动拼写错误检测和上下文敏感错误校正可用于通过后处理这些OCR系统生成的文本来提高准确性。以前开发的大多数用于印地语拼写错误校正的语言模型都是上下文无关的。在本文中，我们提出了Vartani拼写检查-一种上下文敏感的方法，使用最先进的Transformer - BERT结合Levenshtein距离算法，俗称编辑距离的印地语文本的拼写校正。我们使用一个查找字典和基于上下文的命名实体识别（NER）检测可能的拼写错误的文本。我们提出的技术已被广泛使用的Tesseract OCR对印地语史诗罗摩衍那产生的文本的大型语料库进行了测试。准确率为81%，结果显示出显着的改善，比以前建立的一些上下文敏感的印地语纠错机制。我们还解释了如何Vartani拼写检查可用于在文本编辑器环境中连续键入期间的即时自动更正建议。
2020-12-14 cs.AI cs.CL cs.LG
MinerU-Popo: Universal Post-Processing Model for Structured Document Parsing
Shanghai Jiao Tong University（上海交通大学）；Shanghai Artificial Intelligence Laboratory, OpenDataLab（上海人工智能实验室，OpenDataLab）；University of California, Berkeley（加州大学伯克利分校）
提出MinerU-Popo轻量级通用后处理框架，通过分解为文本/表格截断恢复、标题层级重建和图文关联四个子任务，并利用动态分块和重叠同步将OCR页面级结果重构为文档级逻辑结构，显著提升标题层级TEDS和RAG准确性。
2026-07-31 cs.AI cs.CL cs.CV
Developing a Mixed-Methods Pipeline for Community-Oriented Digitization of Kwak'wala Legacy Texts
George Mason University（乔治·玛莎大学）；University of British Columbia（不列颠哥伦比亚大学）
本文针对Kwak'wala遗留文本仅以图像形式存在、机器无法读取的问题，提出混合现成OCR、语言识别、掩码和后校正模型的流程，以实现高质量数字化转录。
2025-06-02 cs.CL
Low-Resource Heuristics for Bahnaric Optical Character Recognition Improvement
Faculty of Computer Science and Engineering（计算机科学与工程学院）；Ho Chi Minh City University of Technology（胡志明市技术大学）
本研究提出低资源环境下提升巴纳里语OCR识别准确率的启发式方法，通过结合表格检测与概率后处理技术，使识别准确率从72.86%提升至79.26%。
2026-01-06 cs.CL cs.CV cs.LG
Still not there? Comparing Traditional Sequence-to-Sequence Models to Encoder-Decoder Neural Networks on Monotone String Translation Tasks
Technische Universität Darmstadt（达姆施塔特工业大学）；German Institute for Educational Research and Educational Information（德国教育研究与教育信息研究所）
我们分析了编码器-解码器神经模型的性能，并将其与已知的方法进行比较。后者代表了应用于单调序列到序列任务OCR后校正、拼写校正、字形到音素转换和词形化的不同类别的传统方法。这些任务对于各种更高层次的研究领域具有实际意义，包括数字人文、自动文本校正和语音识别。我们研究了通用深度学习方法如何适应这些任务，以及它们与已建立和更专业的方法（包括我们自己对修剪CRF的适应）相比的表现如何。
2016-10-26 cs.CL
L-ReLF: A Framework for Lexical Dataset Creation
Wikimedia Morocco（维基媒体摩洛哥分会）；KTH, Royal Institute of Technology（KTH皇家理工学院）
本文提出L-ReLF框架，通过可复现的技术流程为低资源语言创建高质量结构化词汇数据集，以解决标准化术语缺失问题，并支持下游NLP应用。
2026-03-31 cs.CL
NeKo: Cross-Modality Post-Recognition Error Correction with Tasks-Guided Mixture-of-Experts Language Model
NVIDIA
NeKo通过任务引导的专家混合模型，实现跨模态识别后的高效纠错，显著降低WER并提升BLEU分数。
2025-12-01 cs.AI cs.CL cs.LG
LLaVAR: Enhanced Visual Instruction Tuning for Text-Rich Image Understanding
Georgia Tech（佐治亚理工学院）；Adobe Research（奥多比研究院）；Stanford University（斯坦福大学）
LLaVAR通过利用OCR和GPT-4生成文本丰富图像指令数据，增强视觉指令微调，显著提升文本VQA准确率并保持ScienceQA高性能。
2024-02-02 cs.CL cs.CV
