简介：在文生图模型训练中，OCR常被用作“裁判模型”，通过识别生成图片中的文字并与目标文本比对来给出奖励信号。但传统OCR对汉字的评分方式过于粗粒度，往往把整字当作不可拆分单元，导致模型即使画错内部部件也可能获得错误奖励。本文从汉字结构拆解视角出发，分析OCR评分机制的局限、结构感知的改进思路，以及如何通过组件级校验提升文生图场景下的中文生成质量，帮助开发者理解“让AI画对中文字”背后的关键技术逻辑。
当前文生图模型在生成复杂场景、人物、风格化图像方面已经取得显著进展，但在生成包含中文文字的图像时，仍然容易出现笔画错误、部件错位、结构失衡甚至“造字”现象。为了提升生成质量，业界普遍采用强化学习方式进行后期优化。在这一过程中，需要引入一个自动化的“裁判模型”来评估生成结果，并给出可学习的奖励信号。
该裁判模型通常由OCR系统承担。OCR，即光学字符识别，目标是将图片中的文字区域转换为计算机可处理的文本序列。在文生图训练中，其工作流程大致如下：
这一思路看似直观，但在中文字符场景下存在明显缺陷。核心问题在于：OCR将每个汉字视为一个不可拆分的整体单位，其输出只包含“识别正确”或“识别错误”两种状态，无法说明错误到底发生在哪个笔画、哪个部件或哪一层结构上。当生成图像中的汉字只错了一个偏旁时，OCR可能无法识别出正确字符，于是给予全盘否定；反之，如果一个字形虽然看起来结构异常，但恰好被OCR识别为目标字，模型也会受到与完美字形相同的奖励。这种粗粒度反馈使得强化学习难以获得有效梯度信号，模型不知道具体错在哪里，也就无法进行有针对性的修正。
将汉字作为不可拆分单元进行评分，会从多个层面限制文生图模型的优化效率。
假设目标文字为“清”，生成图像中呈现的是“氵”旁正确但右侧“青”部件上方多出一横的近似字形。OCR若将其识别为其他字或拒识，返回的只有负向奖励。模型无法知道问题出在右侧部件而非左侧偏旁，更无法知道具体是横画数量错误。缺乏空间与结构维度的错误定位，会使大量训练步数被浪费在盲目试错上。
在一个批次训练样本中，某些生成结果只是部件比例不协调，另一些则是整体不可读。但OCR输出均为负向奖励，无法区分“轻微错误”与“严重错误”。理想情况下，轻微错误应获得高于严重错误的分数，以引导模型逐步逼近正确字形。全有或全无的评分方式消解了这种渐进式学习可能。
汉字具有强结构性和组合性。例如“河”“湖”“海”共享“氵”部件，“晴”“情”“请”在右侧部件一致的情况下仅通过左边偏旁区分。如果评分系统能够识别出部件级的正确性，就可以为模型提供更丰富的监督信号：即便整字识别失败，只要“氵”部件正确，就应给予部分奖励。传统OCR整字评分无法利用这些结构性先验，造成监督信息大量流失。
汉字并非随机笔画堆叠，而是按照一定层级关系构成的复杂图形系统。一个规范汉字通常可以拆解为：
结构关系包括左右结构、上下结构、左中右结构、上中下结构、半包围结构、全包围结构以及品字形结构等。不同结构类型对应不同的空间布局规则。例如左右结构中，左侧部件通常较窄；上下结构中，上部部件通常较扁；包围结构中，外围部件需要承担更大面积并保持内部空间充足。
如果文生图模型在生成时只是将汉字看作普通纹理，而不知道“河”是由“氵”和“可”两个部件按左右布局组合，就很容易出现部件比例失调、位置偏移甚至部件误用。因此，将结构信息引入评分过程，是提升中文生成质量的关键一步。
要突破OCR整字评分的限制，业界正探索更细粒度的评价方法。本文不讨论任何特定产品实现，仅从通用技术逻辑出发，说明几种可行方向。
在处理生成图像时，不再仅对整字做一次OCR识别，而是同时将整字按结构规则拆解为多个部件区域，分别进行识别。例如“想”字可拆为“相”与“心”，“湖”字可拆为“氵”“胡”与“月”。系统对各部件区域分别调用识别模块，并汇总为结构化结果。
评分时可以从三个层面综合判断：
这种评分方式能够提供细粒度反馈。例如整字识别错误，但所有部件均正确，仅位置偏移，模型会得到用于修正位置的信号；若某部件完全缺失，则模型会明确知道需要补充该部件。
除了将结构信息用于裁判评分，也可以在模型训练过程中直接引入结构约束。方法是以通用汉字结构知识库为基础，为每个训练样本标注其所属结构类型及部件分布模板。在损失函数中加入结构一致性项，使生成器不仅要通过OCR识别校验，还要保证部件边界、比例和相对位置符合结构模板。
示意性逻辑如下：
总损失 = 图像质量损失 + OCR语义对齐损失 + 部件结构一致性损失
其中，部件结构一致性损失可基于检测到的部件包围框与模板包围框之间的重叠度、中心偏移和尺度偏移进行计算。这样，即使OCR给出的是粗粒度奖励，模型仍能从结构一致性项中获得更稳定的优化信号。
奖励塑形是强化学习中的常见策略，旨在为目标任务之外的中间状态提供辅助奖励，使模型更容易学习。在汉字生成场景中，可以设计如下多级奖励：
这种分档奖励避免了“全对给一分、其余给零分”的二元判断，使模型在训练过程中即使尚未生成完全正确的汉字，也能根据各维度阶段性反馈持续进步。
将汉字结构信息引入文生图训练并非易事，仍需面对多重挑战。
首先是部件标注成本。大规模图像训练数据若全部进行部件级标注，将显著增加标注工作量。更现实的方案是借助已有字形数据库自动生成部件模板，或通过预训练检测模型进行弱监督标注。
其次是部件识别误差。当生成字形存在严重畸变时，部件检测模型本身也可能出错。此时结构评分可能给出错误信号，反而干扰训练。因此需要设置置信度过滤机制，对识别置信度较低的区域降低其在损失计算中的权重。
第三是不同字体与风格的迁移。训练目标往往涉及多种字体风格，如衬线、手写、艺术字等。部件结构模板通常以规范字形为基础，对于风格化字形而言，部件边界可能模糊，比例关系也会发生变化。结构约束应具备一定弹性，避免过度限制生成自由度。
OCR在文生图训练中扮演着重要裁判角色，但把汉字视作不可拆分的整体单元，使得评分信号过于粗糙，无法支持精细化的字形优化。通过引入汉字结构与部件信息，构建组件级校验、结构一致性约束与多级奖励机制，可以显著提升生成模型接收到的监督质量。对于需要生成包含中文文字的图像应用而言，这种从“认对整字”到“看对结构”的思路转变，是一个值得深入投入的技术方向。