突破藝術字辨識困境：結合大規模合成資料集 WATER-S 與靈活架構 WATERec 的場景文字辨識新進展

針對藝術字辨識中字體多變與排版複雜的挑戰，本研究開發兩百萬規模的合成資料集與支援任意輸入形狀的模型，成功將藝術字辨識準確率提升至 90.40% 的領先水準。

Problem

藝術字（WordArt）具備高度客製化的字體、紋理與版面配置，導致傳統針對規則場景文字設計的辨識模型（STR）難以準確處理。此外，現有藝術字資料集規模極其有限，缺乏多樣性且多基於固定模板，嚴重限制了模型在複雜美編文字上的泛化能力。

研究團隊從資料與模型兩端進行改進。資料方面，構建了包含兩百萬張影像的合成資料集 WATER-S，結合升級後的渲染管線與生成式 AI（Qwen2-VL 與 Z-Image）以提升真實性與覆蓋率。模型方面提出 WATERec，採用可支援任意形狀輸入的視覺編碼器，搭配能模擬複雜排版的自迴歸解碼器。

實驗結果顯示，WATERec 架構顯著優於既有的 STR 方法。結合精心整理的真實資料 WATER-R，該模型在 WordArt-Bench 測試中達到 90.40% 的準確率，大幅超越目前主流的通用型與 OCR 專用視覺語言模型。

本研究透過提供大規模高品質資料集與打破固定模板限制的模型架構，為藝術字辨識（WATER）領域建立了強大的基準，對於需要處理複雜視覺設計的自動化文字辨識應用具有重要價值。