论文
PorTEXTO：视觉文本提取的欧洲葡萄牙语基准
PorTEXTO: A European Portuguese Benchmark for Visual Text Extraction
摘要
欧洲葡萄牙语 (pt-PT) 基本上没有出现在光学字符识别 (OCR) 基准中，该基准偏向于高资源语言。涵盖 pt-PT 的少数基准主要关注历史文物和文献。这项工作涉及现代 OCR 应用，引入了 PorTEXTO，这是当代和文化相关的 pt-PT 视觉文本提取的第一个基准。为了确定质量，我们采用了一个注释管道，将前沿 LVLM 的转录与母语人士的详尽审查相结合。我们观察到大多数模型中从合成样本到真实世界样本的性能急剧下降，并发现目前专业的多语言数据比模型大小或分辨率预算更能推动 pt-PT 性能，从而推动开放 pt-PT OCR 资源的释放。