本文综述了基于Transformer的场景文本定位与识别研究进展，涵盖多种端到端框架：利用Transformer编码与识别转换机制免矫正模块引导文本定位；ESTextSpotter通过建模区分性与交互特征提升性能；统一网络结合卷积特征与二维注意力实现任意形状文本的鲁棒定位识别；此外还包括利用文本对齐层与字符空间监督的联合检测识别框架、以单点标注替代边界框的SPTS v2与自回归序列预测方法、领域自适应模型、Mask TextSpotter，以及弱监督下无需定位注释的TTS和查询式TextFormer等，这些方法多在标准数据集上取得领先表现。