CTC解码
概述
CTC（Connectionist Temporal Classification，连接时序分类）是一种序列解码方法，允许模型输出比输入序列更短的字符序列，是 SVTR 文字识别的核心解码机制。
关键内容
CTC 解码的妙处
CTC 天然处理了以下问题： - 字符宽度不一：不同字符在图像中占据的宽度不同 - 字符间隔不均匀：文字行中字符之间的间距不一致 - 不需要字符级对齐标注：训练时不需要知道每个字符在图像中的精确位置
这使得 CTC 成为文字识别任务的理想解码方法。
在 OCR 流水线中的位置
在 SVTR 的识别流程中，CTC 解码是最后一步：
文字行图像（48×W）
→ 特征提取（CNN + Transformer 混合）
→ 序列特征（长度为 W/4）
→ CTC 解码
→ 文字字符串
CTC 接收长度为 W/4 的序列特征，输出最终的文字字符串。
工作原理
CTC 通过引入"空白"符号（blank），允许模型在多个时间步输出同一个字符或空白，最终通过合并重复字符和去除空白得到目标序列。这种机制避免了输入输出长度必须一致的约束。
在 MinerU 中的应用
在 MinerU 的 OCR 管道中，CTC 解码是 PaddleOCR PP-OCRv4 系统的关键组件，负责将 SVTR 模型输出的序列特征转换为可读的文字字符串。
来源
- raw/assets/MinerU/minerU_04_ocr.md — MinerU 深度解析系列 · 第四篇：OCR 引擎