汉字结构感知：让AI画对中文字的技术方案

一、问题的起点：生成模型的“裁判困境”

在文生图或图像编辑类生成模型中，让输出越来越准的常见做法是引入强化学习式的后期训练。这套流程的核心角色不是生成器本身，而是一个“裁判”——它负责对生成结果打分，告诉模型哪些输出更好、哪些更差。没有裁判，模型就失去了优化方向。

当生成目标中包含文字时，裁判通常由OCR（光学字符识别，Optical Character Recognition）模型担任。它的工作方式很直接：把生成图片中的文字区域截取出来，识别成文本，再与目标文字逐字比对。对上了给分，对不上不给分。

这个逻辑在英文场景下基本够用。但一旦目标变成汉字，问题就暴露了。

二、汉字不是线性字符，而是二维积木

英文字母是最小单位，26个字母通过线性排列组合成词。汉字则完全不同：它是一种二维的积木结构。例如“尬”由“九”和“龙”的变体左右拼合，“想”由“相”和“心”上下叠放。这种由偏旁部首按照左右、上下、包围等空间关系组合而成的结构，称为汉字的构型。

构型带来的直接后果是：汉字的错误空间远大于英文。一个汉字可能错一笔、错一个部件、错部件的位置关系，甚至整体结构比例失调。这些错误在视觉上可能很细微，但在语义上却是天壤之别。

三、OCR裁判的非黑即白问题

当OCR面对一个结构复杂或轻微变形的汉字时，它的典型行为是：

1. 直接判为不认识：输出一个无关字符或丢弃；
2. 猜一个形近字：例如把结构错误的“尬”认成另一个形近字；
3. 依赖语言模型“脑补”：多模态大模型结合上下文，可能“猜”出正确目标字，但这其实是假阳性——图上字形明明是错的，模型只是靠语言能力蒙对了。

更关键的是，无论生成的字是错了一笔还是错了半边，只要最终OCR认不出或认错，裁判给出的分数都是零分。这就像批改100道选择题，学生错1道和错90道都判0分，完全无法告诉模型“你哪里需要改进”。

还有一类专门检测“写错字”的工具，能判断出字形结构异常，但处理方式是把整个字标记为异常符号，同样打0分。这种方法虽然不会被语言模型“脑补”骗到，但依然是非黑即白的判断：对或错，中间没有灰色地带。

四、拆开汉字：从整字评分到结构评分

要解决这个问题，核心思路是把汉字从“不可拆分的黑箱”变成“可拆解的结构对象”。具体来说，评估过程不再只问“这个字认不认识”，而是分层次追问：

• 部件层：每个偏旁部首是否写对？
• 关系层：部件之间的空间关系（左右、上下、包围）是否正确？
• 比例层：部件的大小、位置、对齐是否合理？

这样，即使最终整字无法被OCR识别，评估器仍然可以给出细粒度的反馈信号。例如：

目标字：尬（九 + 龙变体，左右结构）
生成字：九写对，龙变体少一笔，位置偏右
整字评分：0（OCR无法识别）
结构评分：
  - 部件“九”：1.0
  - 部件“龙变体”：0.6（笔画缺失）
  - 左右关系：0.8（位置偏移）
  - 综合：0.73

这个综合分数不再是0，而是带有方向性的信号：模型知道“九”写对了，“龙变体”需要补笔画，位置需要左移。优化方向立刻变得清晰。

五、技术实现路径

5.1 结构标注与部件词典

首先需要构建汉字的结构化表示。业界常见的做法是使用部件树或结构图来表示一个汉字：

• 根节点是整字；
• 中间节点是结构关系（左右、上下、包围等）；
• 叶子节点是基本部件（偏旁部首）。

这种表示可以预先从标准字库中提取，形成部件词典和结构模板。

5.2 生成图像的部件检测

对于生成图像中的汉字区域，需要检测出各个部件的位置和形状。可以采用：

• 基于关键点检测的部件定位；
• 基于分割网络的部件掩码提取；
• 或者直接使用多模态大模型进行结构化描述。

5.3 分层评分函数

评分函数按层次计算：

def structural_score(target_tree, generated_parts):
    score = 0.0
    # 部件层评分
    for part in target_tree.parts:
        score += part_weight * similarity(part, generated_parts[part])
    # 关系层评分
    for relation in target_tree.relations:
        score += relation_weight * check_relation(relation, generated_parts)
    # 比例层评分
    score += proportion_weight * check_proportion(target_tree, generated_parts)
    return normalize(score)

其中相似度可以基于形状、笔画数、拓扑结构等计算。

5.4 与强化学习训练的结合

在强化学习后期训练中，结构评分作为奖励信号的一部分，与整字识别分数加权组合：

total_reward = α * ocr_score + β * structural_score

当OCR分数为0时，结构分数仍然可以提供梯度，引导模型逐步修正部件和关系。随着训练推进，整字识别分数逐渐上升，最终实现字形准确。

六、方案优势与适用场景

优势：

• 细粒度反馈：不再是非黑即白，模型知道错在哪里；
• 抗语言模型脑补：结构评分直接检查字形，不依赖上下文猜测；
• 可扩展：适用于不同字体、不同复杂度的汉字；
• 兼容现有流程：可作为OCR裁判的补充模块，无需推翻原有训练框架。

适用场景：

• 文生图中的中文字生成；
• 图像编辑中的文字替换与修复；
• 手写体生成与美化；
• 任何需要生成或评估汉字字形的生成式任务。

七、总结

汉字不是线性字符，而是二维积木。把汉字当成不可拆分的黑箱来评估，是当前生成模型画不对中文字的核心原因之一。通过拆解汉字构型，建立部件层、关系层、比例层的结构化评分体系，可以为生成模型提供可定位、可优化的奖励信号。这一思路不仅提升了中文字形准确率，也为更广泛的复杂结构生成任务提供了可复用的评估范式。