DBNet++

概述

DBNet++（Differentiable Binarization Network++）是一种基于可微分二值化的文字检测模型，是 PaddleOCR PP-OCRv4 系统中的文字检测骨干。

关键内容

工作原理

1. 输入整个页面图像（或布局框内的裁剪区域）
2. 输出与输入同尺寸的概率图，每个像素值表示"属于文字的概率"
3. 通过自适应阈值二值化，生成文字区域的二值蒙版
4. 轮廓提取 + 多边形拟合，得到文字区域的多边形框

原始图像 → ResNet/MobileNet 特征提取 → FPN 多尺度融合 
→ 概率图 + 阈值图 → 二值化蒙版 → 多边形文字框

为什么用多边形而不是矩形框？

文字行可能稍有倾斜（扫描件常见），多边形（通常是四边形）能更精确地框定文字区域，后续透视变换矫正更准确。

在 OCR 流水线中的位置

DBNet++ 是 OCR 三阶段流水线的第一阶段——文字区域检测。它接收原始图像，输出文字区域的多边形坐标，供后续的透视变换和文字识别使用。

在 MinerU 中的应用

在 MinerU 中，DBNet++ 用于： - OCRBased 管道：对整页图像进行文字区域检测 - Mixed 管道：对无文字层的布局框区域进行文字检测 - 区域裁剪优化：只对特定布局框内的区域做检测，大幅减少计算量

来源

• raw/assets/MinerU/minerU_04_ocr.md — MinerU 深度解析系列 · 第四篇：OCR 引擎

相关

• PaddleOCR — 使用 DBNet++ 作为文字检测模块
• 光学字符识别 — 所属技术领域
• PP-OCRv4 — DBNet++ 是其中的检测组件
• SVTR — 检测后的文字识别模型
• 透视变换 — 检测后的文字矫正步骤