Glod

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。