Jagadeesh Rachapudi

新研究在图像退化下比较基于OCR的VQA系统与端到端模型

一篇新的研究论文探讨了在图像因模糊或低分辨率等常见问题而退化时，以文本为中心的视觉问答（VQA）系统的有效性。该研究比较了基于OCR的模块化流程与端到端的视觉语言模型，发现经过微调的模块化系统，特别是使用SA-DBNet和ResNet-18的一个，取得了显著更高的准确性。研究还强调，传统的OCR错误指标是VQA性能的糟糕指示器，强调了进行特定任务评估的必要性。