汉字结构拆解：文生图中文渲染质量提升思路

一、问题并不只是“画不好”，而是“评不准”

在很多文生图任务里，模型已经能生成带有中文元素的海报、封面、菜单或界面稿。远看排版合理，近看却频繁出现笔画缺失、偏旁错位、结构挤压等问题。尤其是“尬”“赢”“囊”“鬱”这类多部件汉字，几乎成为重灾区。

一种常见归因是生成模型能力不足。但更深层的问题在于：训练后期用强化学习优化图像质量时，负责打分的“裁判”本身就没有正确理解汉字结构。模型不知道错在哪里，只能反复试错，最终仍然难以形成稳定的中文书写能力。

因此，要提升文生图中的中文渲染质量，不能只增加数据或扩大模型规模，还需要重新审视评价信号的质量与粒度。

二、OCR作为裁判：识别对错不等于结构对错

目前不少文生图流程会引入光学字符识别能力充当质量裁判。其逻辑可以抽象为：

score = 1 if ocr_text == target_text else 0

这种评分方式对英文相对友好。英文字母数量有限，字符线性排列，识别结果与目标文本逐字符对齐即可。但汉字是二维构型系统，偏旁、部件、位置关系共同决定一个字是否成立。

例如“想”由“相”与“心”上下组合，“相”又由“木”与“目”左右组合。如果生成结果中“目”多出一横，或者“心”被压成怪异形状，OCR可能仍然识别成“想”，也可能识别成“相”“箱”“厢”等形近字，甚至直接返回空结果。

无论哪种情况，最终分数都可能退化为二值信号：

• 识别正确：1 分；
• 识别错误：0 分；
• 无法识别：0 分；
• 结构局部错误但被误识别：1 分或 0 分，且不稳定。

这种“非黑即白”的评分方式丢失了大量中间信息。模型无法感知“只错一笔”和“完全乱掉”之间的差异，也就难以形成渐进式优化路径。

三、汉字构型决定错误应该被分级

汉字可以被视为一种结构化符号系统。其构型单元通常包括：

• 笔画：横、竖、撇、捺、点、折等基础书写单位；
• 部件：由笔画组成、具备一定语义或音义提示作用的单元，如“氵”“木”“目”“心”；
• 整字：由若干部件按照空间关系组合而成。

空间关系常见类型包括左右、上下、左中右、上中下、半包围、全包围、品字形等。这种结构决定了一个汉字错误可能存在多个层级：

1. 笔画级错误：某个部件内部多一笔或少一笔；
2. 部件级错误：部件缺失、替换或变形；
3. 空间关系错误：部件位置偏移、比例失衡；
4. 整字级错误：字形完全不成立或与目标字无关。

现有基于整字识别的裁判通常只能覆盖第 4 类严重错误。前 3 类错误即使存在，也可能被识别模型“猜对”，产生假阳性评分。更麻烦的是，一些语言能力较强的多模态模型会利用上下文进行纠错式理解。

例如画面中写错了一个字，但整句内容是常见表达，多模态模型可能根据语境“脑补”出正确字，给出高分。这类评分看似准确，实则掩盖了真实渲染问题。

四、需要从“判断对错”升级为“诊断错误”

更合理的评分机制应当具备诊断能力，而不是只输出一个二元结果。可以从以下维度切入。

4.1 拆字级评分

对目标汉字进行结构分解，再逐部件比对生成内容。以“尬”为例，可拆为“尢”与“介”的左右组合。评分流程可以设计为：

target_parts = split_glyph("尬")
generated_parts = detect_parts(image)
score = similarity(target_parts, generated_parts)

这样模型就能获得更细粒度的反馈：是右侧“介”写错，还是左侧“尢”缺失，而不再只是“整字不对”。

4.2 结构一致性与比例评分

即使部件齐全，空间比例也可能有问题。例如“想”的上半部分“相”被拉得过高，“心”被压缩成一条线，虽然可识别，但视觉质量不合格。可以引入结构热力图或部件包围框评估部件间比例是否协调。

4.3 笔画完整度检测

对于关键横竖撇捺，使用笔画骨架提取或边缘连续性分析判断是否存在断裂、粘连或异常抖动。这类信号可以辅助模型理解“字形是否稳定”。

4.4 假阳性抑制

在评分流程中增加结构校验层，不依赖语言理解，而是仅依据字形几何信息判断是否与目标字一致。这样可以降低多模态模型“靠语境猜对”的概率。

五、一个可落地的技术思路框架

对于希望在文生图产品中改善中文渲染效果的团队，可以考虑构建“多粒度中文字形评分器”，替代或补强传统OCR评分。整体流程如下：

生成图像
   ↓
文本区域定位
   ↓
目标字切分
   ↓
字形结构拆解
   ↓
部件级比对
   ↓
结构关系与比例评分
   ↓
综合质量分（0~1）
   ↓
用于强化学习奖励信号

该流程的核心不是识别“这是什么字”，而是回答“这个字写得对不对、差多少、哪里差”。这种做法更接近教师批改作文，而不是自动阅卷机只给对错。

在训练阶段，综合质量分可以作为连续奖励。例如：

reward = 0.35   # 部件存在部分错误，但结构基本可辨
reward = 0.68   # 部件齐全，仅比例轻微偏差
reward = 0.91   # 字形正确，视觉稳定

通过连续奖励，模型能够在强化学习中逐步向更高质量字形收敛，而不是在 0/1 奖励中反复震荡。

六、评估方式升级带来的三个直接收益

6.1 更稳定的训练信号

细粒度评分减少了大量“假阳性”和“假阴性”。即使字形尚未完全正确，只要结构有改善，也能获得正向反馈。这有助于模型在长尾汉字上保持学习动力。

6.2 更可控的生成能力

当评分器能够区分“部件缺失”和“比例失调”时，生成策略也可针对性调整。例如在提示词或条件控制中加入结构约束，或为复杂汉字增加后处理校验。

6.3 更贴近真实应用场景

在中文海报、菜单、教学卡片、界面设计等场景中，用户不仅关心文字能否被识别，更关心字形是否规范。结构级评分更贴近这些真实质量要求。

七、总结

文生图中文字渲染的瓶颈，不只是模型不会画，而是评价系统不会看。把汉字当成不可拆分的整体进行识别评分，会让大量结构错误被掩盖，也会让模型失去渐进优化的方向。

更合理的方式是将汉字拆开看：看部件、看位置、看比例、看笔画。通过构建多粒度结构评分器，可以为文生图模型提供更高质量的训练反馈，让中文渲染从“偶尔蒙对”走向“稳定写对”。

对于关注中文场景文生图应用的开发者来说，这类工作不仅是算法优化，更是评价体系的重建。只有评价方式与汉字构型规律一致，生成质量才能真正向上走。