通过引入 Character-Aware Constraint Encoder (CACE) 和 Intra-Inter Consistency Loss (I^2CL) 的方法，本研究提出了一种新颖的方法来增强字符的可区分性，提升了场景文本识别模型的性能。

Jul, 2024

介绍了一种新的公共冰球号码识别数据集，并研究了如何将场景文本识别方法应用于这个问题。研究了遮挡问题，并评估了在一个运动（冰球）上训练的模型在另一个运动（足球）上的泛化程度。演示了在图像和轨迹级任务上的高性能，冰球图像达到 91.4% 的准确率，足球轨迹为 87.4%。

May, 2024

该研究提出了一个针对斯瓦希里语的自然场景文字检测和识别的综合数据集，并通过对不同场景文字检测和识别模型的评估，将该数据集作为斯瓦希里语的基准数据集，以评估和比较不同方法，并促进未来的研究努力。

May, 2024

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

在印度语言这个复杂、语法和语义上更复杂的领域，由于缺乏综合的数据集，该研究提出了最大最全面的数据集 IndicSTR12，并在 12 种主要印度语言上进行了场景文本识别的性能评估，该数据集与现有的拉丁语言的数据集规模和复杂性相当，并且其多语言性将促进鲁棒的文本检测和识别模型的发展。

Mar, 2024

我们提出了一种新的开放词汇文本识别框架 Pseudo-OCR，用于识别现实世界应用中的 OOV 词汇，通过伪标签生成模块、语义检测机制和质量感知边界损失等手段，我们利用真实图像生成大量伪 OOV 训练数据，并在品质上进行过滤和增强，实验结果表明我们的方法在八个数据集上的性能超过了现有技术，并在 ICDAR2022 竞赛中排名第一。

Mar, 2024

通过利用大型文本语料库中的语言知识，替换自回归场景文本定位和识别模型中传统的独热编码，提高了场景文本定位和识别性能，并实现了更准确的词语定位。

Feb, 2024

本文提出了一种新的半监督学习方法来进行场景文本识别（STR），该方法从视觉和语义两个方面融合了单词级一致性正则化，通过使用最短路径对齐模块以及采用强化学习框架来优化嵌入空间中预测字符串的语义相似性，实验结果表明该方法在多个标准和具有挑战性的 STR 基准测试中优于现有的半监督 STR 方法。

Feb, 2024

提出了一种名为 Class-Aware Mask-guided feature refinement（CAM）的新方法来改善复杂背景、文本样式噪声等方面对场景文本识别的挑战，并通过标准字体生成规范的类感知字形掩码来增强特征区分性、设计特征对齐和融合模块来进一步提升文本识别的特征细化。在六个标准文本识别基准测试中，CAM 展示出优于先进方法的优势，平均性能提高了 4.1％，并且使用较小的模型尺寸。该研究强调了在鲁棒场景文本识别中融入规范的掩码指导和对齐特征细化技术的重要性。

Feb, 2024

我们介绍了 Lumos，这是第一个具备文本理解能力的端到端多模态问答系统。Lumos 的核心是一个场景文本识别（STR）组件，用于从第一人称视角图像中提取文本，输出结果被用来增强多模态大型语言模型（MM-LLM）的输入。本文探讨了在构建 Lumos 时遇到的与 STR 质量、整体延迟和模型推理相关的各种挑战，以及克服这些障碍所采用的系统架构、设计选择和建模技术。我们还对每个组件进行了全面的评估，展示了高质量和高效率。

Feb, 2024