本文提出了一种简单而有效的基于变压器的场景文本检测模型，该模型通过选取几个代表性特征进行文本检测，借助变压器模型建模其特征之间的关系，实现将文本实例划分为合理的组，并轻易地获得其边界框，从而在多个数据集上取得了最新的成果。

Mar, 2022

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

存在的 OCR 引擎或文档图像分析系统通常依靠在不同场景和细粒度上训练独立模型来进行文本检测，导致重要的计算复杂性和资源需求。本文介绍了一种名为 “任意文本检测”（DAT）的先进范例，它将场景文本检测、布局分析和文档页面检测无缝统一为一个连贯的、端到端的模型。该设计使得 DAT 能够高效地处理包括字、行、段落和页面在内的不同细粒度的文本实例。DAT 中的一个关键创新是跨细粒度交互式注意力模块，通过关联不同文本查询的结构信息，显著增强了文本实例在不同细粒度上的表示学习能力。因此，它使得该模型能够在多个文本细粒度上实现相互受益的检测性能。此外，基于提示的分割模块对任意曲率和复杂布局的文本进行了细化，从而提高了 DAT 的准确性和扩展其实际应用能力。实验结果表明，DAT 在各种与文本相关的基准测试中实现了最先进的性能，包括多方向 / 任意形状场景文本检测、文档布局分析和页面检测任务。

May, 2024

通过预先训练的视觉 - 语言模型，结合适当的调整和随机扰动方法构建了一个能够自动识别图像标签的全自动流水线，该方法在各种多标签分类任务中显示出优越性能。

Dec, 2023

本文提出了一种名为隐式特征对齐的范式，它可以被轻松地集成到当前的文本识别器中，从而使普通的文本识别器能够处理多行文本，而不必由文本检测器限制。实验证明，这种方法在保持最快速度的同时，实现了最先进的端到端文档识别任务的性能，并且 ADP 和 ExCTC 在不同的应用场景下相互补充。

Jun, 2021

提出了一种新的多模态体系结构 Layout-Aware Transformer（LaTr）来进行场景文本视觉问答（STVQA），并提出了一种单一目标的预训练方案，该方案仅需要文本和空间线索。 LaTr 通过将语言和布局信息联系起来，可以学习各种空间线索，从而提高了对 OCR 错误的鲁棒性，并在多个数据集上优于最先进的 STVQA 方法。

Dec, 2021

通过引入辅助任务，利用全局稠密语义对比和自上而下建模来联合学习鲁棒特征，从而实现更强大的实时场景文本检测。

Aug, 2023

本研究提出了一种简单而强大的场景文本检测流程，该流程可以直接预测全图中任意方向和四边形形状的单词或文本行，消除了不必要的中间步骤（例如候选聚合和单词划分），只需要一个神经网络进行操作，大大提升了检测的准确性和效率。

Apr, 2017

提出了一种文本引导的域泛化框架，用于增强人脸反欺诈技术的域泛化性能，通过文本信息进行跨域对齐，设计了多层次注意融合模块和文本增强视觉判别器，实现了更好的分类和域适应能力，并在极度有限的源域数据情况下展示了令人印象深刻的少样本性能。

Nov, 2023

本文介绍了 VGT 模型，它是一种双流视觉格点变换器，通过提出并预训练 GiT 来实现 2D 令牌级和段级语义理解，利用多模态信息和预训练技术为文档布局分析学习更好的表示。此外，还通过 D$^4$LA 数据集，在文档布局分析中达到了最新的最佳性能。

Aug, 2023