通过阅读顺序估计和动态采样实现类似逆操作的场景文本定位
内容提要
该文综述场景文本识别研究进展，涵盖基于Transformer编码的端到端框架（无需矫正模块或字符级注释即可引导文本定位）、以单点标注替代边界框的SPTS v2、共享计算的FOTS、建模交互特征的ESTextSpotter、一次学习定位东巴象形文字的OTS，以及处理任意形状文本的统一网络、识别曲线文本的实例分割方法、图像编辑技术与合成数据域适应方法。
延伸解读
标注成本与效率的权衡
文章对比了多种场景文本定位方法的标注需求：SPTS v2采用单点注释替代传统边界框，实验显示单点注释比非点注释和多边形边界框更适合场景文本识别，且推断速度提升14倍；另一项工作同样用单点标注将定位与识别视为序列预测任务。这些进展表明，降低标注成本的同时保持识别效果是当前研究的重要方向，但单点标注是否适用于所有文本形态仍需结合具体场景评估。
端到端框架的简化趋势
多个方法致力于减少中间步骤或额外模块：基于Transformer编码的框架无需矫正模块或字符级注释即可引导文本定位；FOTS通过RoIRotate共享计算和视觉信息，性能优于两阶段方法；统一网络使用卷积特征和2D注意力模型直接定位识别任意形状文本，避免中间过程。这些设计反映出端到端简化流程、提升效率的研究趋势，但各方法在数据集上的表现差异仍需读者关注。
特殊场景与数据域适应
文章还涉及非主流场景：OTS方法结合认知研究中的空间对齐模块和环形损失，用于一次学习定位东巴象形文字，并构建了手稿数据集；另一项工作研究合成数据到实际数据的转化，提出对抗文本实例对齐与文本自训练技术来缩小领域差异。这些探索说明场景文本定位正扩展到历史手稿和跨域应用，但相关方法目前仍处于实验阶段，实际部署效果有待验证。
Q&A
有哪些场景文本识别方法不需要矫正模块或字符级注释？
一种使用Transformer编码的端到端框架，通过新的识别转换机制显式引导文本定位，无需额外矫正模块或字符级注释，在多个数据集上显著优于现有方法。
SPTS v2如何用单点标注替代边界框标注？
SPTS v2采用单点注释作为替代传统文本检测与识别的昂贵手工注释方法。它使用基于自回归Transformer的IAD预测同一序列内所有文本实例的中心点，并用PRD进行文本识别。实验证明其性能超越现有单点文本定位器，推断速度快14倍，且单点注释比非点注释和多边形边界框更适合场景文本识别。
FOTS网络在文本检测和识别中有什么优势？
FOTS是一种基于Fast Oriented Text Spotting网络的端到端可训练的文本检测和识别方法。它使用RoIRotate的共享计算和视觉信息策略，获得了比两阶段方法更优越的表现，在ICDAR 2015、ICDAR 2017 MLT和ICDAR 2013数据集上性能显著优于先前最先进方法。
ESTextSpotter如何提高文本检测和识别性能？
ESTextSpotter是一个基于显式协同的文本识别Transformer框架，通过建模区分性和交互特征，明显提高了文本检测和识别的性能。
OTS方法如何实现一次学习定位东巴象形文字？
OTS（One-shot learning-based Text Spotting）结合认知研究方法，通过空间对齐模块找到并学习查询图像中最具区分性的空间区域，并引入环形损失（Torus loss）使嵌入距离空间更具区分性。作者创建了包含古代东巴象形文字的手稿数据集，实验表明该方法在一次性文本定位方面优于现有方法，有望应用于历史手稿文本识别。
如何处理任意形状文本的定位和识别？
该研究提出了一种统一的网络，同时定位和识别文本，通过使用卷积特征和2D注意力模型实现对任意形状文本的鲁棒定位和识别，避免了中间过程，在包括正常及不规则文本在内的多个标准数据集上取得了最佳表现。
有哪些方法可以识别曲线形状的文本？
一项新的网络模型使用实例分割方法和注意力模型识别和提取曲线形状的文本内容，并使用多步光学字符识别引擎提高识别准确性，大幅度领先现有模型的准确性。
如何解决合成数据到实际数据的领域差异问题？
研究了合成数据对实际数据的转化问题，并提出了基于对抗文本实例对齐与文本自训练的技术来解决领域差异，以提高场景文本检测的性能。
