ocr-vqgan

让AI生成的论文图表文字清晰可读

OCR-VQGAN 是一个面向论文图表（figure images）的离散图像编码器，包含 tokenizer 和 detokenizer，专门用于 Paper2Fig100k 数据集。它解决了图像生成中文字模糊、笔画缺失的问题，通过引入 OCR 感知损失（OCR Perceptual loss）来约束生成图像中的文字清晰度。项目基于 CompVis/taming-transformers 的 VQGAN 架构改进，核心能力包括：将图像离散化为视觉 token 并重建，同时优化文字区域的感知质量。它适用于论文图表的重建与生成，能保留图表中的文字细节，提升生成图像的可读性。作为早期项目，代码结构清晰，便于研究者在此基础上扩展。