論文の概要: Beyond Detection: A Structure-Aware Framework for Scene Text Tracking

• arxiv url: http://arxiv.org/abs/2605.17270v1
• Date: Sun, 17 May 2026 05:40:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.820621
• Title: Beyond Detection: A Structure-Aware Framework for Scene Text Tracking
• Title（参考訳）: Beyond Detection: シーンテキスト追跡のための構造認識フレームワーク
• Authors: Chenmin Yu, Liu Yu, Daiqing Wu, Gengluo Li, Zeyu Chen, Yu Zhou,
• Abstract要約: 本稿では、この特定のタスクをScene Text Trackingとして定式化する。 そこで我々はSymTrackを提案する。SymTrackは、シナジスティックなデュアルブランチ設計を備えた、一貫した検出不要のフレームワークである。 このタスクに専用のベンチマークがないので、ビデオテキストスポッティングの3つのデータセットを使用して、高品質なアノテーションによるベンチマークを構築する。
• 参考スコア（独自算出の注目度）: 15.940149796254955
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Modern visual object trackers show impressive results on general targets, yet their performance drops substantially when dealing with scene text. Although currently underexplored, tracking text in videos is essential for dynamic text manipulations such as segmentation, removal, and editing. To fill this gap, this paper formalizes this specific task as Scene Text Tracking and presents the first systematic work for it. We identify three primary challenges in this task: 1) severe geometric distortions from perspective shifts, 2) high visual ambiguity across different instances, and 3) high sensitivity to fine-grained structural details. To address these issues, we propose SymTrack, a unified detection-free framework with synergistic dual-branch design. It integrates a Cross-Expert Calibration mechanism to reduce semantic bias, along with a Predictive Token Rectification mechanism to correct structural imbalances, complemented by an Adaptive Inference Engine that stabilizes predictions under motion constraints. Considering the lack of dedicated benchmarks for this task, we utilize three datasets from video text spotting to construct a benchmark with high-quality annotations. Extensive experiments demonstrate that SymTrack sets the new state-of-the-art on all three benchmarks, outperforming previous best trackers by up to 11.97\% AUC on $ \text{BOVText}_{\text{SOT}} $. Overall, our work promotes efficient and thorough text tracking, paving the way toward more generalized video text manipulation.
• Abstract（参考訳）: 現代のビジュアルオブジェクトトラッカーは、一般的なターゲットに対して印象的な結果を示すが、シーンテキストを扱う場合のパフォーマンスは大幅に低下する。 現在はまだ探索されていないが、ビデオ中のテキストの追跡はセグメンテーション、削除、編集といった動的なテキスト操作に不可欠である。 このギャップを埋めるために、本稿では、この特定のタスクをScene Text Trackingとして形式化し、最初の体系的な作業を示す。 私たちは、このタスクにおける3つの主要な課題を特定します。 1) 視点シフトによる厳密な幾何学的歪み 2 異なる事例にまたがる高い視覚的あいまいさ、及び 3)細粒度構造に対する感度が高い。 このような問題に対処するため,SymTrackを提案する。 セマンティックバイアスを減らすためのクロスエキスパートキャリブレーション機構と、構造的不均衡を補正する予測トークン修正機構を統合し、動作制約下での予測を安定化する適応推論エンジンを補完する。 このタスクに専用のベンチマークが存在しないことを考えると、ビデオテキストスポッティングの3つのデータセットを使用して、高品質なアノテーションによるベンチマークを構築する。 大規模な実験により、SymTrackは3つのベンチマークすべてで新しい最先端をセットし、$ \text{BOVText}_{\text{SOT}} $で以前の最高のトラッカーを最大11.97\%AUCで上回った。 全体として、我々の研究は効率的かつ徹底的なテキスト追跡を促進し、より一般化されたビデオテキスト操作への道を開く。

関連論文リスト

• DocShield: Towards AI Document Safety via Evidence-Grounded Agentic Reasoning [40.557106473604485]
  既存の法医学的手法は視覚的手がかりに依存しており、微妙なテキスト操作を明らかにするための証拠に基づく推論が欠如している。 本稿では,テキスト中心の偽造分析を視覚学的共推論問題として定式化した最初の統合フレームワークであるDocShieldを提案する。 私たちのデータセット、モデル、コードは公開されます。
  論文  参考訳（メタデータ） (2026-04-03T03:38:58Z)
• Benchmarking and Mechanistic Analysis of Vision-Language Models for Cross-Depiction Assembly Instruction Alignment [8.720698253117837]
  2Dアセンブリ図は、しばしば抽象的で従うのが難しいため、進捗を監視し、エラーを検出し、ステップバイステップのガイダンスを提供するインテリジェントアシスタントの必要性が生じる。 視覚言語モデル(VLM)は、このタスクを約束するが、アセンブリ図やビデオフレームがほとんど視覚的特徴を共有しないため、描写のギャップに直面している。 このギャップを系統的に評価するために,29のIKEA家具製品上で6種類のタスクタイプにまたがる1,623質問のベンチマークであるIKEA-Benchを構築した。
  論文  参考訳（メタデータ） (2026-04-01T13:55:28Z)
• Dual-Granularity Semantic Prompting for Language Guidance Infrared Small Target Detection [102.1314414263959]
  限られた特徴表現と厳しい背景干渉のため、赤外線小目標検出は依然として困難である。 エンドツーエンドの言語プロンプト駆動フレームワークであるDGSPNetを提案する。 提案手法は検出精度を大幅に向上し、3つのベンチマークデータセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-11-24T16:58:23Z)
• Multi-Sentence Grounding for Long-term Instructional Video [63.27905419718045]
  大規模インストラクショナルデータセットを記述するための,自動でスケーラブルなパイプラインを確立することを目的としている。 複数の記述ステップを監督する高品質なビデオテキストデータセット、HowToStepを構築した。
  論文  参考訳（メタデータ） (2023-12-21T17:28:09Z)
• TextFormer: A Query-based End-to-End Text Spotter with Mixed Supervision [61.186488081379]
  Transformerアーキテクチャを用いた問合せベースのエンドツーエンドテキストスポッターであるTextFormerを提案する。 TextFormerは、画像エンコーダとテキストデコーダの上に構築され、マルチタスクモデリングのための共同セマンティック理解を学ぶ。 分類、セグメンテーション、認識のブランチの相互訓練と最適化を可能にし、より深い特徴共有をもたらす。
  論文  参考訳（メタデータ） (2023-06-06T03:37:41Z)
• X-Mesh: Towards Fast and Accurate Text-driven 3D Stylization via Dynamic Textual Guidance [70.08635216710967]
  X-Meshはテキスト駆動型3Dスタイリングフレームワークで、新しいテキスト誘導動的注意モジュールを備えている。 我々は、新しい標準テキストメシュベンチマーク、MIT-30と2つの自動メトリクスを導入し、将来の研究が公正で客観的な比較を達成できるようにする。
  論文  参考訳（メタデータ） (2023-03-28T06:45:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。