一、引言

在生成式 AI 浪潮中，文生图技术已实现跨越式发展，在视觉呈现上达到了前所未有的高度。然而，在生成图像中准确合成拼写正确、结构规范且风格协调的文字 ——视觉文本渲染（Visual Text Rendering, VTR），至今仍是该领域尚未攻克的核心难题。

即便是当前最先进的文生图模型（如 Nano Banana，Seedream、Qwen-Image），也难以稳定生成结构忠实的文本，常伴有笔画错位、结构畸变与字符缺失等问题，在中文等字形结构复杂的语言中表现尤为明显。这一短板直接制约了 AIGC 技术在海报设计、广告创意、图文排版及电商场景等高价值商业领域的规模化落地。

针对这一难题，华中科技大学白翔教授团队等提出了TextPecker，一个为视觉文本而生的「啄木鸟」。该方法是一种基于结构感知的即插即用型强化学习优化策略，无需修改底层模型即可灵活适配各类主流生成器，并带来显著的性能增益：搭载 TextPecker 后，FLUX 的语义对齐度与结构保真度分别提升了 +38.3% 和 +31.6%；即便面对已为中文场景高度优化的 Qwen-Image，仍取得了 +8.7% 和 +4.0% 的显著增益，将视觉文本渲染推向了全新 SOTA。

目前，该工作已被 CVPR 2026 接收。

论文标题：TextPecker: Rewarding Structural Anomaly Quantification for Enhancing Visual Text Rendering论文链接：https://arxiv.org/pdf/2602.20903代码链接：https://github.com/CIawevy/TextPecker

二、当「裁判」失灵：评估与优化的双重瓶颈

TextPecker 的核心洞察在于：制约视觉文本渲染质量的瓶颈，并非生成模型本身的能力上限，而是优化流程中负责评估文字质量的「裁判」存在根本性缺陷。

当前主流范式普遍采用强化学习（RL）后训练来提升模型的文字生成能力，并依赖 OCR 模型或多模态大模型（MLLM）作为奖励信号的来源。然而，研究团队发现，这些评估模型缺乏对文字结构异常的细粒度感知能力，在面对不完美的生成文字时，表现出两类典型失效模式：

语言先验驱动的「幻觉」（Hallucination）：评估模型过渡依赖语言先验，将结构错误的文字自动 "脑补" 为正确字符，从而给出虚高的奖励分数。低置信区域的「失明」（Invisibility）：评估模型对严重模糊或畸变的文字区域直接跳过识别，导致关键渲染错误被完全遗漏。

图 1 现有 OCR 模型与多模态大模型难以感知生成文字中的细粒度结构异常，成为 VTR 评估与强化学习优化的关键瓶颈。红色标注为误识别字符。

这两类失效直接导致强化学习的奖励信号中混入大量噪声，模型无法获得细粒度的结构级反馈，构成了当前 VTR 评估与优化的双重瓶颈。

三、结构感知的「好裁判」：TextPecker 方法详解

1. 重新定义「好」的标准：结构感知的复合奖励

TextPecker 基于 Flow-GRPO 框架构建，是一种即插即用的强化学习优化策略。其核心改进在于重新定义奖励函数：引入一个具备细粒度结构异常感知能力的评估模块，替代传统的 OCR 编辑距离信号，从结构质量与语义对齐两个维度同时评估生成文字的质量。

图 2：TextPecker 方法整体框架

以往方法简单地将生成文本视为一条长字符串，直接与目标文本计算编辑距离。这种方式隐含一个假设：生成文字的排列顺序与 prompt 完全一致。但在真实渲染场景中，文字的空间布局未必与 prompt 中的出现顺序一致

最终，TextPecker 将结构质量与语义对齐两个维度的分数通过加权融合构成复合奖励。这一设计使得优化过程不再仅仅追求「文字内容对不对」，而是同时关注 「文字结构好不好」，实现二者的联合优化。

2. 打造「好裁判」：字符级结构异常数据集的构建

上述复合奖励的有效性，取决于一个前提：结构感知评估模块能够准确识别生成文字中的细粒度结构异常。而训练这样的模块，首先面临一个基础性难题 ——缺乏大规模、带有字符级结构异常标注的高质量数据。为此，TextPecker 设计了一套系统化的三阶段数据构建流程（如图 3 所示）。

图 3 TextPecker 数据构建流程概览

阶段一：大规模多样化富文本图像生成

由于不同生成模型产生的结构错误各有特点，单一模型的输出难以反映真实场景下错误类型的多样性。因此，第一阶段的核心策略是多模型、多来源的交叉生成。

具体而言，团队针对中英文场景分别设计了数据生成方案：

英文场景：从 TextAtlas5M、Lex-10k 等数据集中采样 prompt，分别调用 AnyText、Stable Diffusion v1-5、Stable Diffusion 3.5、Flux.1-dev、Seedream 3.0、Qwen-Image 等多种主流生成模型进行图像合成，确保对错误类型与生成风格的广泛覆盖。中文场景：首先从万卷 1.0 语料库中采样文本，确保对现代汉语常用字的充分覆盖。在此基础上，利用 Qwen3-235B-A22B 针对不同字体风格生成风格化描述，与语料组合构成最终的 prompt，驱动 CogView4、Kolors、Seedream、Qwen-Image 等模型合成图像，兼顾多种字体风格下的结构错误表现。

阶段二：高成本的字符级结构异常精标注

获取富文本图像后，研究团队投入了大量人工标注资源，对数据进行字符级的结构异常检查。这里，结构异常被定义为：任何因模糊、扭曲、笔画缺失或冗余伪影导致的结构性失真，使得字符的语义可识别性受损。

具体的标注流程分为两步：首先利用 OCR 模型获取初步识别结果，再由标注人员逐字符检查并以特殊标记标注所有结构缺陷（如图 4 所示）。对于结构严重粘连、无法逐字区分的区域，则采用统一占位符标记。这一阶段将监督粒度细化至单字符的结构完整性层面，为结构感知评估模块的训练提供了精确的字符级监督信号。

图 4 TextPecker 数据集可视化

阶段三：基于笔画编辑的合成数据增强

仅依赖阶段二人工标注的数据训练模型存在局限：对未见异常类型的泛化能力不足，且对标准汉字的识别能力下降。其原因在于中文的固有复杂性：不同于英文字母的线性形态，汉字具有二维空间构成且规模庞大（常用字超过 8000），潜在的结构异常类型呈组合爆炸式增长，远超人工标注所能穷举。

为此，团队设计了一套基于笔画编辑的程序化合成流程。利用公开笔顺数据将汉字表示为有序笔画序列，并在此基础上定义三种笔画级结构编辑算子：

笔画删除（Stroke Deletion）：随机移除部分笔画，模拟缺失类错误笔画交换（Stroke Swapping）：交换笔画间的空间位置，模拟错位类错误笔画插入（Stroke Insertion）：从其他字符中取出笔画插入当前字符，模拟冗余类错误

关键在于，这三种算子并非独立使用，而是按顺序随机组合叠加，从而能够模拟远比单一编辑更复杂、更贴近真实生成错误的结构异常类型。在此基础上，团队自研了一套基于 SynthTIGER 的文本渲染引擎，将生成的异常字符与规范字符放置到多样化的背景与排版布局中，合成最终的富文本图像（如图 4 所示）。最终，将阶段二的人工标注数据与本阶段的合成数据合并，形成训练集与测试集，数据集统计与分布详见图 5。

图 5 TextPecker 数据集统计

结构感知评估模块的训练

基于上述数据集，研究团队对 Qwen3-VL 与 InternVL-3 进行监督微调（SFT），得到最终的结构感知评估模块，为强化学习提供结构级奖励信号。

四、从感知评估到跨模型生成优化：TextPecker 实验全景

1. 结构异常感知能力：现有模型近乎失灵，TextPecker 大幅领先

团队设计了两项专用评测任务：文本结构异常感知（TSAP）和规范文本识别（CTR），系统检验模型对生成文本中细粒度结构缺陷的辨识能力。结果揭示了一个严峻事实：无论是专业 OCR 模型（PP-OCRv5、GOT-OCR-2.0、MonkeyOCR 等）还是顶尖多模态大模型（GPT-5、Gemini-2.5-Pro 等），在 TSAP 任务上的 F1 均不超过 0.23，部分模型甚至完全无法检出异常字符。

相比之下，TextPecker 在英文和中文 TSAP 上分别取得0.87和0.93的 F1 值，同时在 CTR 上也显著优于基线模型，验证了其结构感知能力的全面优势。

图 6 现有模型在文本结构异常感知（TSAP）与规范文本识别（CTR）任务上的表现对比。TextPecker 在所有维度上大幅领先。

2. VTR 生成优化：跨模型、跨语言的一致性提升

团队在 SD3.5-M、Flux.1 [dev]、Qwen-Image 三个生成模型上进行了 RL 优化实验，覆盖 OneIG-Bench、LongText-Bench、CVTG-2K 及自建 GenTexteval 四个基准。

结果显示，TextPecker 奖励信号在所有配置下均带来一致提升。以 Flux.1 [dev] 英文生成为例，语义对齐（Sem.）和结构质量（Qua.）分别提升 +38.3% 和 +31.6%，同时在语义维度上超越 OCR 奖励基线 +11.7%。

更具说服力的是，即便在已经对文字生成高度优化的 Qwen-Image 上，TextPecker 在中文渲染任务中仍实现了+8.7% Sem.和+4.0% Qua.的显著增益，刷新了高保真 VTR 的 SOTA。

图 7 TextPecker 在三大主流模型上的定量结果对比。

3. 定性对比：从「语义接近」到「结构忠实」的质变

原始 Qwen-Image 在小字、密集排版等高难场景中频繁出现模糊、扭曲与错位；基于 OCR 奖励的 RL 优化虽改善了语义一致性，但结构缺陷依然存在。而 TextPecker 驱动的优化则在结构保真与语义准确两个维度实现了同步提升：以论文中的「英文菜单」和「中文论文」渲染案例为例，文字笔画清晰、行列对齐，结构畸变问题得到有效消除。

图 8 TextPecker 显著改善了 Qwen-Image 的文字渲染质量，定性对比。

4. 消融实验：数据构建与奖励设计的协同效应

研究团队通过两组消融实验验证了方法各组件的贡献（如图 9、图 10 所示）：

数据有效性：仅用人工标注数据即可在 TSAP 上大幅超越基线，但中文识别出现下降；加入合成数据后中文性能全面恢复，TSAP 性能进一步提升，验证了笔画编辑引擎的必要性。奖励设计：逐步叠加词级匹配（PM）与结构质量分数，每一组件均带来增量收益；将 OCR 奖励替换为 TextPecker 奖励后语义与结构同步提升，完整奖励设计达到最优综合性能。

图 9 数据组成消融实验

图 10 奖励设计消融实验

5. 补充实验：从跨模型泛化到多奖励协同下的鲁棒优化

除主实验外，研究团队在论文附录中提供了两组补充实验，从不同角度进一步验证了 TextPecker 的泛化能力与实用潜力。

评估器的跨模型泛化验证

TextPecker 评估器是否仅对训练中涉及的生成模型有效？为此，团队选取训练过程中从未接触过的 Nano Banana（Gemini-2.5-flash-image） 作为测试对象，在常规渲染、极端艺术字、低对比度排版三种递进难度下进行验证（见图 11）。结果显示，TextPecker 在未见过的生成模型上依然保持强劲的结构感知能力，常规与低对比度条件下表现尤为稳健；性能衰减主要出现在极端艺术化字体场景，此时艺术变形与真实结构缺陷的界限趋于模糊，也为后续研究指出了明确方向。

图 11 TextPecker 的跨模型泛化表现

多奖励协同下的增强 RL 优化

主实验中 TextPecker 仅使用文本渲染奖励，单一目标在实际应用中不可避免地会影响图像美学质量。

为此，团队构建了增强 RL 框架：训练层面引入 Flow-GRPO-Fast、GRPO-Guard 及 Velocity KL 正则化以提升稳定性；奖励层面将 TextPecker 与 PickScore、Aesthetic Score 组合为多目标奖励，兼顾文字准确性与画面美学。实验覆盖三个模型在 7 个英文基准和 3 个中文基准上的完整评测。

结果显示，TextPecker 在多奖励体系中的提升与主实验一致甚至更为显著，在中英文场景下均取得了大幅度的质量与语义双重增益，验证了其奖励信号与其他优化目标的兼容性，也表明 TextPecker 具备产品级优化流程的落地潜力。

图 12 TextPecker 在多奖励协同优化下提升依然显著（中文）

图 13 TextPecker 在多奖励协同优化下提升依然显著（英文）

图 14 Qwen-Image 经 TextPecker 多奖励协同优化后，文字保真度与画面美学实现良好平衡

五、总结：从结构感知到可信赖的视觉文本生成

TextPecker 揭示了制约视觉文本渲染质量的关键瓶颈 —— 现有评估模型无法感知生成文字中的细粒度结构异常，并围绕这一问题给出了完整的解决方案：构建字符级结构异常数据集训练专用评估器，设计兼顾语义对齐与结构质量的复合奖励函数，以即插即用的方式为主流生成模型提供结构级优化信号。

实验表明，该方法在所有测试模型上均带来一致提升，将高保真视觉文本渲染推向了新的水平。

从更宏观的视角看，可靠的文字渲染能力是多模态 AI 走向真实应用的关键基础设施，从 AI Agent 自主生成海报文档，到多模态大模型输出含文字的视觉内容，都以此为前提。TextPecker 为这一方向提供了基础性的评估工具与优化范式。