parseqs

新方法修复长文本场景文字识别问题

研究人员发现场景文字识别（STR）模型存在一种关键的失效模式，这类模型通常在短文本片段上进行训练，但在实际应用中遇到的长文本时会遇到困难。研究诊断出该问题主要源于编码器的宽度而非解码器的长度。虽然表示层面的修复能带来一些改进，但一种新颖的推理时解决方案涉及将长图像切分成重叠的块，独立解码每个块，然后使用编辑距离对齐来拼接结果。该方法在长文本基准（LTB）等基准测试中显著提高了单词准确率，在无需模型重新训练的情况下，达到了或超过了最先进的性能。