一项新研究探讨了基于 Mamba 的状态空间模型 (SSM) 在光学字符识别 (OCR) 任务中的性能，特别关注其从短行到完整段落的可扩展性。研究人员发现，虽然 SSM 在长序列上比 Transformer 具有显著的速度优势，并且在干净的合成数据上能达到可比的准确性，但由于数据稀缺，它们在处理真实手写体时遇到困难。研究确定解码器深度和状态维度是提高 SSM 在 OCR 中长序列准确性的关键超参数。 AI
影响 SSM 在长文本 OCR 方面显示出更快的潜力，但手写体识别需要更多数据。
排序理由 研究论文，详细介绍了特定任务的特定模型架构的消融研究。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2604.00725v2 Announce Type: replace-cross Abstract: End-to-end OCR for historical newspapers remains challenging, as models must handle long text sequences, degraded print quality, and complex layouts. While Transformer-based recognizers dominate current research, their qua…
End-to-end OCR increasingly relies on autoregressive sequence models, where the quadratic cost of Transformer attention limits efficient transcription of long, paragraph-level text. State-Space Models (SSMs) such as Mamba offer linear-time decoding and have recently been shown to…