CalligraGuard：基于 SVG 感知多模态大模型的阿拉伯字体缺陷检测系统

一个专门针对阿拉伯字体质量控制的智能检测系统，结合 SVG 矢量感知和多模态深度学习，实现字体缺陷的自动检测、定位和分类，并附带 CFDefect 基准数据集。

• 原作者/维护者: alqithami
• 来源平台: GitHub
• 原始标题: CalligraGuard / CFDefect: SVG-Aware Multimodal Large Model for Arabic Font Defect Detection
• 原始链接: https://github.com/alqithami/calligraguard
• 来源发布时间: 2026年6月

在数字字体设计和出版印刷领域，字体缺陷检测是一个长期存在的技术难题。与图像缺陷检测不同，字体缺陷具有以下特殊挑战：

矢量特性的复杂性：字体以矢量格式（如 TrueType、OpenType）存储，包含复杂的贝塞尔曲线和轮廓信息。传统的基于像素的缺陷检测方法难以有效处理这种矢量表示。

多语言脚本的多样性：不同语言的字符具有截然不同的拓扑结构。阿拉伯语作为一种从右到左书写、具有复杂连字和变音符号的脚本，其字符形态变化远多于拉丁字母，增加了检测难度。

缺陷类型的多样性：字体缺陷可能表现为轮廓断裂、节点错位、贝塞尔曲线控制点异常、渲染伪影等多种形式，需要多维度检测能力。

规模化检测需求：商业字体家族通常包含数千个字符，人工逐一检查既不现实也不经济。

CalligraGuard 针对上述挑战提出了系统性的解决方案，其核心创新体现在以下几个方面：

与传统仅依赖光栅图像的检测方法不同，CalligraGuard 是一种**SVG 感知（SVG-Aware）**的多模态模型。它同时利用两种表示形式：

1. 光栅图像（Raster Images）：用于捕获渲染后的视觉外观，检测肉眼可见的缺陷
2. SVG 矢量路径（SVG Vector Paths）：用于理解字符的几何结构和拓扑关系，检测底层轮廓问题

这种双模态设计使得模型能够同时理解"像素看起来对不对"和"矢量结构合不合理"，大幅提升了检测的准确性和可解释性。

CalligraGuard 的另一重要特性是矢量锚定标注（Vector-Grounded Labeling）。当检测到缺陷时，系统不仅报告"这里有缺陷"，还能精确定位到具体的矢量元素（如某个贝塞尔曲线段、某个节点），为字体设计师提供可操作的修复指导。

系统支持两种运行模式：

参考模式（Referenced Mode）：利用已知的正确字形作为模板，通过对比检测差异。这种模式适用于字体更新或衍生版本的质量控制。

通用模式（Universal Mode）：不依赖参考模板，直接学习判断字形质量。这种模式适用于全新字体的初始检测。

CalligraGuard 项目附带发布了 CFDefect 基准数据集，这是阿拉伯字体缺陷检测领域的重要资源。数据集构建流程包括：