本文提出了一个新的数据集，使得可以探索图像包含场景文本实例时的交叉检索。我们提出了几种方法，其中包括更好的场景文本感知交叉检索方法，它使用了来自标题和视觉场景文本的专门表示，并将它们调和在一个公共嵌入空间中。大量实验证实了这些方法从场景文本中受益，并突出了值得进一步探索的有趣研究问题。本文中提出的数据集和代码可在 http URL 中获得。

Dec, 2020

本文提出了一种使用 transformer encoding 的新型端到端场景文本识别框架，并通过一种新的识别转换机制，在不需要额外的矫正模块或字符级别注释的情况下显式地引导文本定位，从而使该方法在多种数据集上显著优于现有方法。

Mar, 2022

这篇论文提出了一种使用单镜头卷积神经网络架构的场景文本检索方法，将基于文本的图像检索任务转换为查询文本表示的最近邻搜索，实现了对大规模图像数据库的快速处理，并在实验中表明该方法优于传统的方法。

Aug, 2018

本论文提出了统一场景文本检测和布局分析任务，并介绍了一种能够同时检测场景文本和形成文本聚类的方法以及一个首个分层场景文本数据集，全面实验证明了所提出的统一模型在多个基线方法上实现了更好的性能，此外，该模型还在多个场景文本检测数据集上实现了最先进的结果，无需复杂的后处理。

Mar, 2022

通过语义一致性合成、视觉显著性确定和自适应文本外观模型等三个创新设计，提出了一种新的图像合成技术，用于生成大量标注数据，以用于训练准确和稳健的场景文本检测和识别模型。五个公共数据集的实验证明了该技术在训练精确和稳健的场景文本检测和识别模型方面的卓越性能。

Jul, 2018

我们提出了一种通过判断图像和文本是否匹配来提高场景文本识别任务准确性的方法。与之前的研究关注于从输入图像生成识别结果不同，我们的方法还考虑了模型的误识别结果，以了解其错误倾向，从而改进了文本识别流程。该方法通过对模型可能误识别的数据进行预测，提供明确的反馈信息，从而提高了文本识别的准确性。公开可用数据集上的实验结果表明，我们提出的方法在场景文本识别方面超过了基线和最先进的方法。

Apr, 2024

该文提出了一种基于全局的语义分割方法来定位场景中的文本，使用单一的 FCN 模型估计文本属性，以同时处理水平，多方向和曲线文本，并在 ICDAR 2013、ICDAR 2015、MSRA-TD500 以及 COCO-Text 数据集上测试得到优于现有最先进方法的结果。

Jun, 2016

使用自然语言接口和语境 AI 的研究，探索以自然语言查询来识别 3D 场景图的场景检索方法，并介绍了 Text2SceneGraphMatcher 的学习框架和数据集。

Apr, 2024

提出了一种可进行场景文字图像语义挖掘、增强细粒度图像分类表示的端到端可训练网络，其通过三种模态：视觉特征提取、文本语义提取和相关背景知识相结合，利用 KnowBert 检索相关知识来进行语义表示，并在 Con-Text 和 Drink Bottle 数据集上实验，证明了该方法的有效性，MAP 分别比现有文献最高提升了 3.72% 和 5.39%。

Mar, 2022

本文研究了视觉 - 语言联合表征学习在场景文本检测中的应用，提出了利用视觉 - 语言预训练学习得到的上下文化联合表征来提高场景文本检测器的性能，通过三个 pretext tasks 来进行预训练，在标准基准测试中证明了该方法能够显著提高各种代表性的文本检测器的性能。

Apr, 2022