UPOCR

UPOCR模型利用Vision Transformer统一OCR任务

研究人员推出了一种新颖的通用模型UPOCR，旨在将各种光学字符识别（OCR）任务统一到一个单一的图像到图像转换框架中。该方法利用了基于Vision Transformer（ViT）的编码器-解码器架构，并增强了可学习的任务提示来指导特征表示。该模型经过训练，可以最小化跨不同任务的图像差异，并以单一的统一模型在文本移除、分割和篡改文本检测方面展示了最先进的性能。