降低标注依赖的几条路径

OCR 识别（尤其手写、少见字体、多语种）最大的成本是真实标注。相关论文从不同角度回答同一个问题：如何减少人工标注并保持识别性能。本页对这些方法做横向梳理。

五条路径

1. 自监督对比预训练（用无标签真实图）

代表：seqclr。核心是 instance-mapping 把 SimCLR 的整图对比扩到序列级 + contrastive-learning。
收益：无标签真实图就能把编码器表示学好，低监督场景涨点最明显，100% 标注微调还能到 SOTA（IAM WER −9.5%）。
代价：需要设计序列保持增广 + 变长 projection head；预训练阶段本身不产生识别能力，要接 decoder 微调。

2. 大规模合成预训练（用无成本合成图）

代表：trocr。先在数亿合成文本行图上预训练，再下游微调；未用额外人工标注即媲美用私有数据的方法（IAM CER 2.89）。
收益：合成数据零标注成本、可无限量；配合预训练大模型权重（DeiT/BEiT + RoBERTa）红利叠加。
代价：合成-真实 domain gap；对手写/复杂版式，合成真实感是瓶颈 → 引出路径 4/5。

3. 迁移预训练大模型权重（借外部预训练）

代表：trocr 用 CV（DeiT/BEiT）+ NLP（RoBERTa）预训练权重初始化编解码器；donut OCR-free 也靠预训练 VLM 底座。
收益：把别的领域海量预训练红利直接搬进 OCR，不用自己从零学表示。
代价：架构被预训练模型形态约束；词表/patch 尺寸等要对齐。

4. 更真实的合成数据方法（提升合成质量）

代表：synthetic-data-for-ocr（source-of-truth / 难样本驱动 / agent 多样化）。
收益：从”多”转向”像 + 难”，缩小 domain gap，把路径 2 的上限抬高。

5. 手写文本生成 HTG（专攻手写稀缺）

代表：handwriting-synthesis（扩散模型 / 风格控制 / 行级生成）。
收益：手写是标注最贵的场景，用生成模型造带风格的手写行，直接喂识别器训练。

一张对照

路径	数据来源	关键机制	最适场景	主要代价
自监督对比	无标签真实图	序列对比 + instance-mapping	真实图多、标注少	需接 decoder 微调
合成预训练	合成图	海量预训练+微调	印刷/规整场景	domain gap
迁移权重	外部预训练	权重初始化	想省表示学习	架构受限
真实合成	高质量合成	难样本/多样化	复杂版式	生成成本
HTG	生成手写	扩散+风格控制	手写	生成质量

方法组合与落地取舍

它们不互斥，是可叠加的 pipeline：典型组合 = 合成/HTG 造量（路径 2/4/5）→ 无标签真实图上自监督对比预训练编码器（路径 1）→ 少量真实标注微调后端 AR 解码。
后端 AR 的视觉编码器最该吃路径 1：AR 解码本身很吃标注，编码器先用 seqclr 式序列对比在无标签真实图上打底，能明显省真实标注量。instance-mapping 让 frame 表示更贴字符边界，对下游自回归解码友好。
前端 DETR 检测同样受益路径 2/4/5：版式/区块检测的框标注也贵，合成文档 + 真实感增强能补。
优先级：手写/多语种/少见字体这些标注最稀缺的方向，路径 1+5 组合性价比最高；印刷规整场景路径 2+3 就够。

相关页

seqclr · instance-mapping · contrastive-learning · trocr · crnn · donut · synthetic-data-for-ocr · handwriting-synthesis