深层擦除:用于通用文本消除的深度迭代上下文挖掘
提出了一种基于掩模的文字删除方法(MTRNet),作为一种有条件的对抗性生成网络(cGAN),配备辅助掩模使其成为通用文本擦除工具,该算法在多个真实数据集上实现了最先进的结果。
Mar, 2019
本文提出了一种通过卷积神经网络模型擦除自然场景图像中文字信息的方法,并通过场景文本检测方法对其性能进行了测试,证明了与直接文本检测方式相比,场景文本擦除过程显着降低了精度、召回率和 F1 值。
May, 2017
研究提出了一种新的自监督文本擦除 (STE) 框架,该框架通过联合学习合成带有擦除的训练图像和精确擦除现实世界中的文本来实现无监督场景文本擦除,提出了一种基于两个合成机制的样式感知图像合成函数,通过选择两个特别设计的奖励来控制合成机制,使用三元擦除损失促进精炼阶段恢复背景纹理,最后使用新的数据集 PosterErase 和广泛使用的 SCUT-Enstext 数据集进行了评估。
Apr, 2022
通过使用轻量级橡皮擦实现可靠的概念消除,本研究提出了 Receler;通过提出的概念本地化正则化和对抗性提示学习,增强了局部性和鲁棒性;与之前的擦除方法相比,通过各种概念提示进行了全面的定量和定性实验证实了 Receler 的优越性。
Nov, 2023
通过更新文本编码器使用少量真实图像,我们提出了一种新颖的概念擦除方法,可以在 10 秒内擦除概念,实现了比当前方法快数十到数百倍的概念擦除,隐含地过渡到相关概念,实现更自然的概念擦除。
May, 2024
本文提出了一种名为 DeepText 的新型文本区域提案生成和文本检测的统一框架,通过卷积神经网络(CNN)实现。通过 Inception-RPN 提出区域提案,引入 ATC 信息和 MLRP 实现文本和非文本分类和准确定位,最终通过迭代边界框投票和筛选算法获得高的召回率。该方法在 ICDAR 2011 和 2013 的检测基准测试中取得了 F-measure 为 0.83 和 0.85 的优异结果,超过了以前的最新研究成果。
May, 2016
本文提出了一种新的方法来移除自然图像上的文本,该方法使用 ensconce 网络(EnsNet),可以在单个图像上端到端地运行,无需任何先前知识,并使用多尺度回归损失,纹理损失和总变差损失等四个损失函数来增强功能。与以前的方法不同的是,EnsNet 可以在插入场景文本的图像补丁之前准确地分别在笔画级别上定位文本,然后将其替换为具有视觉上合理的背景。从合成图像和 ICDAR 2013 数据集的定性和定量灵敏度实验以及针对 SMBNet 数据集的定性实验结果表明,EnsNet 的每个组件对于实现良好性能都是必不可少的,并且在所有指标方面均明显优于先前最先进的方法。此外,该方法还可以在一般物体(如行人)的去除任务上表现良好。
Dec, 2018
从文本到图像生成模型到 AI 安全的概念消除方法,这篇论文研究了五种最近提出的概念消除方法,并展示了这些方法中没有一个能完全抹除目标概念,并通过利用特殊的学习词嵌入证明了目标概念可以从消除后的模型中找回,这突显了事后概念消除方法的脆弱性,并对其在 AI 安全算法工具箱中的使用产生了质疑。
Aug, 2023