論文の概要: Do You Need Text Rectification? Soft Attention Mask Embedding for Rectification-Free Scene Text Spotting

• arxiv url: http://arxiv.org/abs/2605.18173v1
• Date: Mon, 18 May 2026 10:15:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.389484
• Title: Do You Need Text Rectification? Soft Attention Mask Embedding for Rectification-Free Scene Text Spotting
• Title（参考訳）: テキストの整形は必要か? 軟式アテンションマスクによる非整形テキストスポッティング
• Authors: Antonio Colombo, Giovanni Bianchi,
• Abstract要約: Same-Netは、文字レベルのアノテーションも補助的なテキスト修正モジュールも必要としない、堅牢なエンドツーエンドテキストスポッティングフレームワークである。 Same-Netは任意の形状のTotal-Textデータセット上で84.02%のエンドツーエンドH平均を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: End-to-end scene text spotting, which unifies text detection and recognition within a single framework, has witnessed remarkable progress driven by deep learning advances. However, most existing approaches still suffer from incomplete mask proposals caused by multi-scale variation, arbitrary text shapes, and complex background interference, thereby degrading recognition accuracy. In this paper, we propose a novel Soft Attention Mask Embedding module (SAME) that leverages the global receptive field of Transformer encoders to encode high-level features and compute soft attention weights, which are then hierarchically embedded with predicted masks to generate refined text-boundary-aware masks that effectively suppress background noise. Building upon this module, we present SAME-Net, a robust end-to-end text spotting framework that requires neither character-level annotations nor auxiliary text rectification modules. Since the soft attention mechanism is fully differentiable, recognition loss gradients can be back-propagated through the SAME module to the detection branch, enabling joint optimization of detection and recognition objectives. Extensive experiments on challenging benchmarks demonstrate the effectiveness of our approach: SAME-Net achieves 84.02\% end-to-end H-mean on the arbitrarily-shaped Total-Text dataset, surpassing the previous state-of-the-art GLASS by 1.02\% in full-lexicon accuracy without additional training data, and obtains competitive 83.4\% strong-lexicon results on the multi-oriented ICDAR 2015 dataset.
• Abstract（参考訳）: 1つのフレームワークでテキストの検出と認識を統一するエンドツーエンドのシーンテキストスポッティングは、ディープラーニングによる顕著な進歩を目撃している。 しかし、既存のほとんどのアプローチは、マルチスケールのバリエーション、任意のテキスト形状、複雑な背景干渉による不完全なマスクの提案に悩まされており、認識精度が低下している。 本論文では,トランスフォーマーエンコーダのグローバルな受容場を利用して高次特徴と計算ソフトアテンション重みを符号化し,予測マスクに階層的に埋め込み,背景雑音を効果的に抑制する洗練されたテキストバウンダリ対応マスクを生成する,新しいソフトアテンションマスク埋め込みモジュール(SAME)を提案する。 本モジュールは,文字レベルのアノテーションや補助的なテキスト修正モジュールを必要としない,堅牢なエンドツーエンドテキストスポッティングフレームワークである。 ソフトアテンション機構は、完全に微分可能であるため、認識損失勾配をパットモジュールを介して検出ブランチにバックプロパタイズすることができ、検出と認識の目的を共同で最適化することができる。 Made-Netは任意の形状のTotal-Textデータセット上で84.02\%のエンドツーエンドH平均を達成し、以前の最先端GLASSの1.02\%を、追加のトレーニングデータなしでフルレキシコン精度で上回り、マルチ指向ICDAR 2015データセット上で競争力のある83.4\%の強いレキシコン結果を得る。

関連論文リスト

• TextSleuth: Towards Explainable Tampered Text Detection [49.88698441048043]
  本稿では,大規模なマルチモーダルモデルを用いて,自然言語による改ざんテキスト検出の基礎を説明する。 このタスクのデータギャップを埋めるため,大規模な包括的データセットETTDを提案する。 GPT4oで高品質な異常記述を生成するために、共同クエリが導入された。 低品質なアノテーションを自動的にフィルタリングするために、GPT4oに改ざんされたテキストを認識するよう促すことも提案する。
  論文  参考訳（メタデータ） (2024-12-19T13:10:03Z)
• Class-Aware Mask-Guided Feature Refinement for Scene Text Recognition [56.968108142307976]
  CAM(Class-Aware Mask-Guided Feature refinement)と呼ばれる新しい手法を提案する。 本手法では,背景およびテキストスタイルのノイズを抑制するために,標準クラス対応グリフマスクを導入している。 標準マスク特徴とテキスト特徴とのアライメントを強化することにより、モジュールはより効果的な融合を保証する。
  論文  参考訳（メタデータ） (2024-02-21T09:22:45Z)
• Open-Vocabulary Segmentation with Unpaired Mask-Text Supervision [87.15580604023555]
  Unpair-Segは、弱制御されたオープン語彙セグメンテーションフレームワークである。 未ペア画像マスクと画像テキストペアから学習し、独立して効率的に収集することができる。 ADE-847とPASCAL Context-459データセットで14.6%と19.5%のmIoUを達成した。
  論文  参考訳（メタデータ） (2024-02-14T06:01:44Z)
• TextDiff: Mask-Guided Residual Diffusion Models for Scene Text Image Super-Resolution [17.95994419104427]
  TextDiffは、シーンテキストイメージの超解像度に適した拡散ベースのフレームワークである。 公開ベンチマークデータセット上での最先端(SOTA)パフォーマンスを実現する。 提案するMDDモジュールは,SOTA法により生成されたテキストエッジを効果的にシャープするプラグイン・アンド・プレイである。
  論文  参考訳（メタデータ） (2023-08-13T11:02:16Z)
• 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)
• TextDCT: Arbitrary-Shaped Text Detection via Discrete Cosine Transform Mask [19.269070203448187]
  任意形状のシーンテキスト検出は、フォント、サイズ、色、方向のさまざまな変更があるため、難しい作業である。 本研究では,テキストマスクをコンパクトなベクトルとして符号化する離散コサイン変換(DCT)を採用した,新しい軽量アンカーフリーテキスト検出フレームワークTextDCTを提案する。 TextDCTは、毎秒17.2フレームで85.1、CTW1500の15.1FPSで84.9、トータルテキストデータセットで84.9のF測定を実現している。
  論文  参考訳（メタデータ） (2022-06-27T15:42:25Z)
• Adaptive Shrink-Mask for Text Detection [91.34459257409104]
  既存のリアルタイムテキスト検出器は、ストリップマスクによってテキストの輪郭を直接再構築する。 予測された収縮マスクへの依存は不安定な検出結果をもたらす。 スーパーピクセルウィンドウ (SPW) はネットワークを監督するように設計されている。
  論文  参考訳（メタデータ） (2021-11-18T07:38:57Z)

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。