汉字结构拆解：提升图像生成模型中文书写能力的技术思路

一、问题背景：图像生成中的文字评分困境

当前，图像生成模型在生成自然场景、人物、物体等方面已经取得了显著进展，但要在画面中准确生成中文文字，仍然是一个具有挑战性的问题。尤其当文字嵌入到海报、招牌、截图、书籍封面等复杂场景中时，模型很容易出现笔画缺失、结构错位、偏旁误用等问题。

为了提升生成文字的准确率，业界普遍采用强化学习或偏好对齐方法进行后期训练。这类方法的共同点是：需要一个“裁判”对模型生成的图片进行评分，然后将评分反馈给模型，指导参数更新。在文字生成任务中，光学字符识别（OCR）模型通常被用作这个裁判。

OCR的核心任务是从图像中提取文字，并将视觉信息转换为计算机可处理的文本序列。当OCR模型被用来评估生成图片中的文字时，其评分逻辑通常非常直接：将图片中的文字区域裁剪出来，送入OCR模型进行识别；如果识别结果与目标文字完全一致，就给予正向奖励；否则给予零分或负向惩罚。

这种评分方式在英文字母场景下尚可接受，因为英文单词由26个字母线性排列构成，错误类型相对简单。但在中文场景下，问题会显著放大。

二、汉字并非线性字符序列

汉字与英文的关键差异在于其构型方式。英文字母是最小书写单位，字母按线性顺序排列形成单词，OCR在识别英文时，本质上是在一个一维序列上做分类。而汉字是一种二维结构系统，字形由偏旁部首按照空间关系组合而成。

例如，“尬”字由左半部分的“九”和右半部分的“龙”的变体组合而成，呈左右结构；“想”字由上半部分的“相”和下半部分的“心”叠放而成，呈上下结构；“围”字则是外部包围内部的全包围结构。此外还存在半包围、左中右、上中下等多种结构类型。

这种二维构型意味着汉字的错误模式远比英文复杂。一个汉字可能错在以下任何一个层面：

• 笔画层面：某一笔多了一折、少了一钩，或者笔画之间的交叉关系不正确。
• 部件层面：某个偏旁部首整体写错，但其他部分正确。
• 结构层面：偏旁位置错误，例如左右结构写成了上下结构。
• 比例层面：各部件之间的相对大小失衡，导致字形不协调。

然而，传统OCR模型在设计时主要面向“识别正确文字”这一目标，而非“诊断错误细节”。当OCR面对一个结构有缺陷的汉字时，它倾向于将整个字符当作一个不可拆分的整体来处理，最终输出一个“最接近的候选字”，或者直接放弃识别。无论模型生成的汉字是错了一笔还是错了整个偏旁，只要OCR无法将其匹配到正确的目标字符，奖励信号都是同样的零分。

三、二值评分带来的优化困难

从强化学习的角度看，奖励信号的质量直接影响策略优化的效率。一个好的奖励函数应当具备以下特征：

1. 区分度：不同质量的生成结果应当获得不同分数。
2. 连续性：分数应能反映质量差距的大小，而非简单的对错二分。
3. 可归因性：分数背后应包含“哪些部分做得好、哪些部分需要改进”的信息。

OCR二值评分在所有三个维度上都存在明显缺陷。

以论文中给出的例子来说明：模型生成的图片中包含一个结构错误的“尬”字。专用OCR模型将其识别为另一个形近字，与目标不匹配，给出零分。换成多模态大模型进行识别时，由于该模型可以结合上下文语义进行“猜测”，它输出了目标文字的正确答案，给出满分。但实际查看图片可以发现，字形本身存在明显的结构问题——多模态模型的“正确”判断是一种假阳性，它利用语言模型的语义推理能力掩盖了视觉层面的缺陷。

另一种文字纠错工具能够准确检测出该字符存在结构异常，但它的处理方式是将异常字符整体标记为特殊符号，然后给出零分。这种方法避免了语言模型“脑补”带来的假阳性问题，但仍然没有解决二值评分的核心缺陷——它只能告诉模型“这个字写错了”，无法说明“错在哪里”“错得有多严重”。

这类似于阅卷场景：一份100道选择题的试卷，无论学生答错1题还是答错90题，评分系统都只显示“不及格”三个字。学生无法从中获知自己需要重点复习哪个章节，也无法感知自己距离及格线还有多远。

四、汉字的错误存在程度梯度

与线性字符序列不同，汉字的书写错误天然存在程度之分。这一点在人类书写教育中早有体现：小学语文教学会将错别字分为“错字”与“别字”两大类。“错字”指字形本身书写有误，例如多一笔、少一笔、部件变形；“别字”指将一个正确的汉字写成了另一个汉字，例如将“急躁”写成“急燥”。在图像生成场景中，模型犯的错误同样可以沿此维度展开：

• 轻微错误：笔画有轻微变形，但部件位置和整体结构正确，人类读者可以轻松辨认。
• 中等错误：某个偏旁部首写错，但另一个部件正确，整体结构仍可辨识。
• 严重错误：部件缺失、多余部件、结构关系混淆，人类读者也难以辨认。

如果评分系统对上述三种错误都返回零分，模型在训练过程中就无法感知“轻微错误”与“严重错误”之间差异，也就无法获得向“更接近正确”方向优化的梯度信号。

五、可能的改进方向

要解决上述问题，需要重新设计针对中文文字生成的评估机制。以下从思路层面提出几个方向：

1. 结构感知的文字评分

一种直观思路是将“整体识别正确与否”拆解为多个子维度的评估，例如：

• 部件完整性：目标汉字应包含哪些偏旁部件，各自是否出现。
• 空间关系正确性：各部件之间的相对位置是否符合该字的构型规范。
• 笔画级相似度：将生成字形与标准字形进行局部特征比对。

这种方案需要将汉字分解为部件序列，并建立空间关系标注。通用OCR模型通常不提供此类中间表示，因此可能需要单独的模型或标注工具来输出结构化信息。

2. 分阶段奖励设计

另一种做法是将奖励函数设计为分阶段的阶梯函数，而非简单的阶跃函数。例如：

如果 OCR 识别结果 == 目标文字:
    reward = 1.0
否则如果 识别结果与目标文字共享同一部首:
    reward = 0.5
否则如果 识别结果与目标文字共享部分笔画特征:
    reward = 0.2
否则:
    reward = 0.0

这种设计的关键在于：中间档位的奖励需要基于具有一定细粒度的特征匹配逻辑，而非简单的字符串相等判断。

3. 辅助判别器与多信号融合

除了OCR识别结果外，还可以引入专门的文字质量判别器作为辅助评分信号。该判别器的目标不再是“识别出这个字是什么”，而是回答“这个字的书写质量是否符合基本规范”。将辅助判别器的输出与OCR识别结果进行融合，可以为模型提供更细粒度的反馈。

在工程实现中，这种融合可以是简单的加权求和，也可以是更复杂的条件评分网络。需要注意的是，引入额外模型会增加训练成本与工程复杂度，需要在收益与开销之间权衡。

六、对工程实践的启示

对于在图像生成管线中需要处理中文文字的技术团队而言，上述问题具有直接的实践意义。如果直接使用通用OCR模型作为唯一的文字质量评估器，可能会在以下场景中遇到困扰：

• 生成包含复杂汉字的海报或封面图时，模型反复出现相同的字形错误，但训练损失几乎不变，难以判断优化进展。
• 使用多模态大模型作为评分器时，模型因语义上下文而给出虚高的正确率，掩盖了视觉层面的文字缺陷。
• 在自动化评测流程中，二值评分导致无法对生成质量进行排序，难以筛选出“部分正确”的样本用于进一步微调。

因此，在设计涉及中文生成的训练或评测管线时，建议考虑以下原则：

1. 避免单一二值信号：不要仅仅依赖“OCR识别是否完全匹配”作为唯一的质量反馈。
2. 引入结构维度的评估：如果条件允许，增加对部件、空间关系、笔画特征的检查。
3. 区分识别能力与质量评估能力：OCR模型擅长识别正确文字，但不等于擅长评估书写错误。
4. 结合弱监督与启发式规则：在没有完善标注数据的情况下，可以通过汉字拆解规则、部件字典等先验知识构建启发式评分逻辑。

七、总结

图像生成模型在生成中文文字方面仍面临诸多挑战，其中一个容易被忽视但影响重大的环节是后训练阶段的奖励信号设计。传统OCR模型作为评分裁判时，倾向于将汉字视为不可拆分的整体，输出二值的对错判断，无法传达错误程度与错误位置信息。这种粗粒度反馈使得训练过程中的优化信号非常稀疏，模型难以获得有效的学习方向。

汉字作为一种具有二维空间结构的文字系统，其错误模式天然具有层次性与程度差异。要提升中文文字生成质量，有必要从评分机制入手，引入结构感知的评估方法、分阶段奖励设计以及多信号融合策略。这些思路的核心目标是：让每一个生成结果都能获得与其实际质量相符的反馈信号，从而为模型提供可优化的梯度信息。技术团队在构建中文图像生成能力时，应当对文字评分环节给予与生成模型本身同等的重视。