新的GLoTran框架通过双重感知增强富文本图像翻译

研究人员推出了一种新颖的GLoTran框架，旨在提高高分辨率富文本图像的文本图像机器翻译（TIMT）的准确性和完整性。该方法采用双重感知策略，结合了图像的低分辨率全局视图和多尺度局部文本细节。为此，创建了一个名为GLoD的大规模数据集，包含超过510,000个图像-文本对。实验表明，与多模态大语言模型（MLLMs）结合使用时，GLoTran显著优于现有方法。 AI

影响 该框架可以提高需要理解和翻译图像中文本的AI系统的准确性，影响文档分析和辅助功能工具等应用。

排序理由 该集群描述了一篇在arXiv上发表的新研究论文，详细介绍了一种针对特定AI任务的新颖框架和数据集。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• GLoD
• GloTran
• Gotit.pub
• Hugging Face
• JunXin Lu
• MLLMs
• ScienceCast

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →