SVTR
概述
SVTR（Scene Text Recognizer）是 PaddleOCR 的文字识别骨干模型，基于 Vision Transformer 架构，负责将矫正后的文字行图像转换为文字字符串。
关键内容
识别流程
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（Connectionist Temporal Classification）
→ 文字字符串
输入：矫正后的文字行图像（高度固定为 48px，宽度按比例缩放） 输出：文字字符串 + 置信度
CTC 解码的妙处
CTC解码 允许模型输出比输入序列更短的字符序列，天然处理了字符宽度不一、字符间隔不均匀等问题，不需要字符级的对齐标注。这是 SVTR 能够高效识别文字的关键机制。
架构特点
- CNN + Transformer 混合：CNN 提取局部特征，Transformer 捕获全局上下文依赖
- 固定高度输入：文字行图像高度统一为 48px，宽度按比例缩放，便于批处理
- 序列输出：输出长度为 W/4 的序列特征，经 CTC 解码得到最终文字
在 MinerU 中的应用
在 MinerU 中，SVTR 是 OCR 流水线的第三阶段——文字识别。它接收经过 DBNet++ 检测和透视变换矫正后的文字行图像，输出最终的文字内容。
来源
- raw/assets/MinerU/minerU_04_ocr.md — MinerU 深度解析系列 · 第四篇：OCR 引擎