[!info] related notes

• 所属 MOC: AI 模型能力 MOC, AI MOC
• 并列概念: 视觉语言模型 VLM
• 相关资源: DeepSeek OCR, Umi OCR
• 应用场景: 视频素材理解管线
• 管线设计: OCR 文字识别管线设计

光学字符识别 OCR

一句话定义

OCR 是 Optical Character Recognition 的缩写，指从图片、扫描件、截图或视频帧中识别文字并输出文本的模型任务。

核心机制 / 工作原理

OCR 通常处理的是“视觉里的文字”。输入是图片或 PDF 页面，输出可以是纯文本、文字框坐标、版面结构、表格结构或可搜索 PDF。

一个常见链路是：

1. 图片预处理，例如裁剪、矫正、去噪、增强对比度。
2. 文本检测，找出图中哪些区域包含文字。
3. 文本识别，把文字区域转成字符序列。
4. 版面分析，恢复段落、表格、标题和阅读顺序。
5. 后处理，做语言纠错、格式恢复和结构化输出。

最小例子 / 最小场景

用户上传一张合同扫描图，OCR 先识别页面上的文字和版面，再把结果交给 LLM 做条款摘要、风险提取或问答。

这个场景把识别与分析分成两步；如果 OCR 漏字或错读金额，后续模型可能继续放大错误，应保留页码/区域并回查原图。

常见使用场景

• 扫描件转可搜索文本
• 截图文字提取
• 发票、合同、证件信息抽取
• PDF 双层文本生成
• 视频帧字幕或商品文案识别

边界与易混淆点

• OCR 是任务，VLM 是模型类别；VLM 可以执行 OCR，不能把二者理解为互斥方案。
• 识别出文字不证明其语义、事实或合规性；规则或 LLM 的后续结论同样需要验证。
• OCR 不只看识别准确率：版面顺序、表格结构、坐标框和可追溯性也很重要。
• 复杂文档应分别评价字符识别、阅读顺序与表格结构；文字正确但单元格错位仍可能使结果不可用。

最短记忆方式

OCR 是“把图里的字读出来”的模型任务，重点是文字识别和版面结构恢复。