知识卡片：Persian Pixel：面向波斯语的大规模合成OCR数据集

一句话结论：Persian Pixel 是首个公开的大规模合成波斯语OCR数据集，包含超过34.3万对高保真图像-文本对，通过模拟波斯文字特征与真实文档退化，为训练和微调现代OCR模型（如TrOCR、Donut）提供了可扩展的资源，有效缓解了波斯语OCR长期面临的数据稀缺问题。

事件概述：波斯语（波斯语使用者超过1.1亿人）的OCR技术远落后于拉丁语系，主要由于波斯-阿拉伯文字系统的固有复杂性（如强制连笔、上下文相关字形、大量连字、变音符号等）以及大规模高质量标注数据的匮乏。为此，该研究从精心策展的700万词波斯语语料库出发，使用SynthOCR-Gen渲染框架生成了句子、段落和整页三种布局的图像-文本对，并通过25种以上随机退化模型模拟真实文档获取伪影（如墨迹渗散、纸张老化、模糊、光照变化等），最终构建了Persian Pixel数据集。

方法/产品要点：

• 数据集规模：超过343,000对高保真图像-文本对，覆盖句子、段落、整页文档布局。
• 生成框架：SynthOCR-Gen渲染框架，忠实建模波斯文字的排版特征：上下文字符连接、位置变体字形、变音符号放置、多种代表性波斯字体（如Naskh、Nastaliq）。
• 域适应：通过25种以上随机退化模型弥合合成到真实的域差距，包括墨水渗散、纸张老化、模糊、光照变化、扫描仪缺陷、压缩伪影、多种噪声。
• 使用场景：适用于训练和微调现代OCR架构，包括基于Transformer的模型如TrOCR和Donut。

主要结果或产业意义：

• Persian Pixel 公开可用，为波斯语文档分析、历史手稿数字化、端到端文档理解提供了坚实基础。
• 验证了程序化合成数据生成是手动标注的实用、经济且可扩展的替代方案，尤其适用于低资源且文字复杂的脚本。

为什么重要：

• 填补了波斯语OCR领域长久以来的标注数据空白，此前该领域因手动标注成本高、难度大而进展缓慢。
• 与已有相关卡片（如大规模真实世界多变量时间序列语料库、AI智能体技能库）不同，本卡片聚焦于OCR领域的合成数据资源与语言多样性，展示了合成数据在应对非拉丁文字系统复杂性方面的潜力（增量信息）。

局限与不确定性：

• 数据集完全为合成生成，其泛化到真实场景的效果仍有待独立评估（待核实）。
• 覆盖的字体和文档样式有限，可能无法涵盖所有波斯语书写变体（如手写体）（待核实）。
• 退化模型虽多样，但能否完全模拟真实世界文档的所有退化情况未明确量化（待核实）。

可用于图书/PPT/简报的角度：

• 案例：如何用合成数据解决低资源语言的OCR瓶颈。
• 技术要点：合成数据生成中的域适应策略（光照、噪声、纸张退化等）。
• 启示：对于其他复杂文字（如阿拉伯语、乌尔都语）的OCR发展具有借鉴意义。

原始材料：

• 英文标题：Persian Pixel: A large-scale synthetic OCR dataset for Persian language
• 英文关键词：Optical Character Recognition, Persian, synthetic dataset, OCR, document digitization
• 来源：arXiv:2607.20385v1, https://arxiv.org/abs/2607.20385v1