拍照文档别急着矫正!TeleOCR 预处理的三条禁忌:禁二值化、分辨率与分块策略
拍照文档别急着矫正!TeleOCR 预处理的三条禁忌:禁二值化、分辨率与分块策略
你有没有过这种经历:手机上拍了一份合同、一张发票、一页教材,兴冲冲丢给 OCR 工具,结果出来一堆缺字、错行、表格散架。
很多人第一反应是"我先把图修好"——拉正、增强、转黑白、切成小块再喂进去。听起来很专业,实际上经常是越帮越忙。
最近在技术圈刷屏的国产开源模型 TeleOCR,恰好把这件事说明白了:它由中国电信团队开源,参数只有约 1.2B,主打"拍照文档不用先矫正,直接解析"。而社区里踩坑最多的,也正是拍照之后那几步"好心"的预处理。
一、先说清它是个啥
别把它当成"认字的复读机"。传统 OCR 更像一个一个字抄写的抄写员,抄完给你一坨没有排版的文字。
TeleOCR 更像一位看得懂版面的编辑:一张照片进去,它能分清哪是标题、哪是正文、哪是表格、哪是公式、哪是代码块,连阅读顺序都给你排好,最后吐出 Markdown、HTML、LaTeX 这类"能直接用的结构化文本"。
它有多能打?在公开文档解析榜单 OmniDocBench v1.6 上拿到 96.87 分,表格结构还原 97.05 分;专门考"手机实拍、弯折阴影"的 Wild-OmniDocBench 上 88.53 分;ICDAR 2026 科学图表挑战赛还拿了第一。榜单里不乏 235B 的巨无霸和 GPT-5.2,它靠 1.2B 的小身板挤到了前面。
更关键的是,论文里明确写了:弯的、斜的、透视变形的纸,直接喂,不需要先跑一遍去畸变。团队做过对照实验,给拍照文档先做矫正,传统两段式流程确实会涨分;但 TeleOCR 干脆把"矫正"这件事学进了模型里,省掉这一步,也就少了一次误差累积。

二、禁忌一:别二值化,黑白不是"更清楚"
这是最容易被误解的一条。很多老教程会说"先转灰度再二值化,字更清楚"。
打个比方:二值化就像把一张彩色照片描成木刻版画,只剩黑和白。对人眼可能更"利落",对模型却是把线索全删了。
纸张的阴影、褶皱的明暗过渡、表格的浅灰细线、公式里上下标的细微笔画、红色印章和蓝色批注的区分,全都藏在灰度与色彩里。一刀切的阈值会把这些抹平:淡墨的字直接消失,细表格线断成虚线,褶皱处变成一坨黑块,模型只能靠猜。
正确姿势很简单:保持原图彩色,别做阈值二值化。稍微提亮、压一下阴影、裁掉无关背景都没问题;但不要过度锐化,也不要反复压缩成低质量 JPEG——压缩噪点会被模型当成笔画。
三、禁忌二:分辨率不是越大越好
TeleOCR 内部看图的方式很像"拼马赛克":图像被切成 14×14 的小块,再 2×2 合并,等于一个视觉 token 大约对应原图 28×28 像素。
这意味着一个残酷的现实:如果缩放之后,一个汉字还不到这个尺度,它在模型眼里就是一团糊,怎么识别都是猜。
官方配置里给了明确的安全区:最小 3136 像素(约 56×56),最大约 1284 万像素(换算成正方形约 3584×3584)。太小,字糊成一片;太大,token 数量暴涨,显存吃紧、速度变慢,还容易出现重复输出、漏行、甚至"编"内容——这是所有视觉大模型的通病。
实测比较舒服的区间是:A4 文档长边 1600 到 2400 像素左右,扫描件 200 到 300 dpi 足够。手机拍的原图别经过微信"压缩发送",那一步往往就把字毁了。
还有个细节:官方示例里做版面分析时,会把图缩到 1036×1036 这个量级,说明它并不需要你把原图怼到最大。保持原始比例、别拉成正方形,比盲目堆分辨率重要得多。
公式和表格这种"细节密集区",更聪明的做法是单独裁出来放大再送一次,而不是把整页硬拉到极限。


四、禁忌三:别乱切块,切碎的是上下文
有人为了"提高精度",把一页纸切成十几块分别识别,最后拼起来。结果字都认对了,读起来却像乱码。
这就像把一副对联剪成一个个单字去认:每个字都认识,但不知道哪句在前、哪句在后。切块会切断阅读顺序,跨栏排版会串行,跨页表格会断成两张,公式被切成上下两半,页眉页脚还会在每一块里重复出现。
但反过来,把一整本 PDF 塞进一张图也不现实。
比较稳的策略是:以"页"为基本单位,多页按顺序喂,让模型知道上一页讲到哪;超长截图(比如长长的聊天记录、网页长图)按语义段落切,切口处留一点重叠,别等分硬切;表格和公式尽量整块走,宁可放大也别切断;多块结果最后统一按顺序拼装,而不是每块各自成文再粗暴拼接。
顺带说一句长文档的隐忧:模型的上下文窗口虽然很长,但图像 token 非常"吃预算"。塞得太满,注意力就会涣散,表现就是后半段开始偷懒、重复、跳行。宁可分批,也别贪多。
五、普通人怎么玩?门槛比想象中低
不想折腾的,可以直接用官方在线文档解析服务,上传图片就能看效果。
想在本地跑的,门槛也不高:1.2B 的体量,bf16 精度大约 3GB 显存就能带起来,社区量化到 INT4 后显存占用压到 1GB 出头;还有人把它转成 GGUF 格式,用 llama.cpp 在纯 CPU 上跑通,甚至有人在昇腾 910B 上部署成功。协议是 Apache-2.0,商用也相对友好。
它适合谁?自媒体人整理截图和资料、财务核对票据合同、学生把论文里的公式表格抄进笔记、法务和政务做档案数字化,以及给 AI 知识库做"喂料"前的那道清洗工序。
也要说清边界:手写得过于潦草、超大工程蓝图、严重反光到看不清笔画的照片,别指望它变魔术。
六、写在最后
这几年大家对 AI 的期待,正在从"多识别几个字"变成"能不能直接把活干完"。TeleOCR 这类模型真正有意思的地方,不是参数多小、分数多高,而是它把过去必须由人手动完成的"矫正、切块、调参"这套流程,悄悄收进了模型内部。
对普通用户来说,最好的预处理,往往是少动手:别二值化、别拉爆分辨率、别乱切块,把一张干净的原图交给它,反而更容易得到惊喜。
你被哪款 OCR 坑得最惨?是表格错行,还是公式变天书?评论区聊聊,说不定你的踩坑经验,正好能帮到下一个人。