manga-ocr: 為漫畫對話框與複雜佈局優化的日文 OCR 引擎

它解決了什麼問題

Manga OCR 為漫畫中的日文文本提供高品質的光學字元辨識 (OCR)。它解決了漫畫 OCR 中常見的挑戰，例如縱向與橫向文本、注音 (furigana)、疊加在複雜圖像上的文本、多樣的字體風格以及低品質的圖像來源。

運作原理

該專案使用基於 Transformers' Vision Encoder Decoder 框架構建的自定義端到端模型。與將文本拆分為單行的傳統 OCR 模型不同，Manga OCR 可以在單次前向傳播中辨識多行文本，使其能夠一次處理整個對話框。

適用對象

它專為想要從漫畫、小說或電子遊戲中提取日文文本的使用者而設計。對於使用 ShareX、Flameshot 等工具進行閱讀與挖掘工作流，以及使用 Yomitan 等字典應用程式的人來說特別有用。

重點特色

• 基於 Vision Encoder Decoder 的自定義端到端模型
• 支援縱向與橫向日文文本
• 處理注音 (furigana) 與疊加在圖像上的文本
• 在單次處理中處理多行文本對話框
• 可在背景執行，處理來自剪貼簿或特定資料夾的圖像