論文の概要: FlexReader: Towards Adaptive Decoding Paths for Efficient Arbitrary-Length Scene Text Recognition

• arxiv url: http://arxiv.org/abs/2610.41426v1
• Date: Fri, 30 Oct 2026 08:33:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.661119
• Title: FlexReader: Towards Adaptive Decoding Paths for Efficient Arbitrary-Length Scene Text Recognition
• Title（参考訳）: FlexReader: 効率的な任意長シーンテキスト認識のための適応デコーディングパスを目指して
• Abstract要約: 実験の結果、FlexReaderは様々なベンチマークで堅牢な認識能力を示しています。 認識精度において既存のデコード戦略を一貫して上回り、自己回帰的デコードよりも最大6フローのデコードスピードアップを実現している。
• 参考スコア（独自算出の注目度）: 82.23826579011936
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing Scene Text Recognition (STR) models are inherently coupled with a specific decoding strategy by their training paradigms, limiting their flexibility in deployment across diverse recognition scenarios. In this paper, we propose FlexReader, an STR model that supports multiple decoding strides, enabling a single model to achieve an optimal accuracy-efficiency trade-off across different datasets. Specifically, we first introduce a Sub-string Perception module to perceive the target sub-string from visual features, followed by multiple parallel decoding blocks that independently decode each character in the sub-string. During inference, FlexReader supports decoding with arbitrary strides within the perceived sub-string range. Furthermore, we propose Adaptive Prefix Decoding, which adaptively selects the decoding stride at each step based on the model's confidence in the decoded characters, thereby identifying the optimal decoding path for each input. Experimental results demonstrate that FlexReader exhibits robust recognition capability across a diverse range of benchmarks, including those featuring long text, curved text, and occlusions. It consistently outperforms existing decoding strategies in recognition accuracy while achieving up to 6-flod decoding speedup over autoregressive decoding.
• Abstract（参考訳）: 既存のScene Text Recognition(STR)モデルは、トレーニングパラダイムによって特定のデコード戦略と本質的に結合されており、さまざまな認識シナリオにまたがるデプロイメントの柔軟性を制限している。 本稿では,複数の復号処理をサポートするSTRモデルであるFlexReaderを提案する。 具体的には、まず視覚的特徴から対象のサブストリングを知覚するサブストリング知覚モジュールを導入し、次いでサブストリング内の各文字を独立にデコードする並列デコードブロックを複数追加する。 推論中、FlexReaderは、認識されるサブストリング範囲内で任意のストライドでデコードをサポートする。 さらに,復号化文字に対するモデルの信頼度に基づいて,各ステップにおける復号化ステップを適応的に選択し,各入力に対して最適な復号化パスを同定するアダプティブプリフィックスデコーディングを提案する。 実験の結果、FlexReaderは、長いテキスト、湾曲したテキスト、オクルージョンを含む様々なベンチマークで堅牢な認識能力を示しています。 認識精度において既存のデコード戦略を一貫して上回り、自己回帰的デコードよりも最大6フローのデコードスピードアップを実現している。

関連論文リスト

• Text-Utilization for Encoder-dominated Speech Recognition Models [33.610630337318845]
  モーダリティマッチングや動的ダウンサンプリングなど,テキストのみのデータを統合する手法の比較を行う。 LibriSpeechコーパスの実験では、より小さなデコーダを持つ大きなエンコーダは、より大きなデコーダを持つアーキテクチャのパフォーマンスを同等または超えることを示した。
  論文  参考訳（メタデータ） (2026-04-29T10:28:00Z)
• Youtu-Parsing: Perception, Structuring and Recognition via High-Parallelism Decoding [35.429403152845836]
  Youtu-Parsingは、高性能コンテンツ抽出のために設計された、効率的で汎用的な文書解析モデルである。 このモデルは稀な文字、多言語テキスト、手書きコンテンツを扱う際に強い堅牢性を示す。 Youtu-ParsingはOmniDocBenchおよびolmOCR-benchベンチマーク上での最先端(SOTA)パフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-01-28T09:37:13Z)
• Context-Adaptive Multi-Prompt Embedding with Large Language Models for Vision-Language Alignment [33.152772648399846]
  本稿では,視覚言語によるコントラスト学習における意味表現を豊かにするための新しい手法を提案する。 プリトレーニング済みのLLMをCLIPフレームワーク内のテキストエンコーダとして利用し、すべてのプロンプトを1つのフォワードパスで共同処理します。 結果として得られる即時埋め込みは統一されたテキスト表現に統合され、視覚的特徴とのセマンティックにリッチなアライメントを可能にする。
  論文  参考訳（メタデータ） (2025-08-03T20:48:43Z)
• Out of Length Text Recognition with Sub-String Matching [54.63761108308825]
  本稿では,このタスクをOOL(Out of Length)テキスト認識と呼ぶ。 サブ文字列マッチング(SMTR)を用いたOOLテキスト認識手法を提案する。 SMTRは2つのクロスアテンションベースのモジュールから構成される: 1つは複数の文字を含むサブストリングを次のクエリと前のクエリにエンコードし、もう1つは画像の特徴に対応するためにクエリを使用する。
  論文  参考訳（メタデータ） (2024-07-17T05:02:17Z)
• 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)
• A Call for Clarity in Beam Search: How It Works and When It Stops [125.55175954381991]
  我々は、このビーム復号化実装の簡単な修正である忍耐係数を導入し、停止基準を一般化し、探索深度に柔軟性を提供する。 実験結果から,この忍耐率の調整は,ニューステキスト要約および多言語対における機械翻訳において,強い事前学習されたモデルの復号性能を向上させることが示された。
  論文  参考訳（メタデータ） (2022-04-11T22:03:44Z)
• Rethinking Text Line Recognition Models [57.47147190119394]
  2つのデコーダファミリー(コネクショニスト時間分類と変換器)と3つのエンコーダモジュール(双方向LSTM、自己認識、GRCL)を考える。 広く使用されているシーンと手書きテキストの公開データセットの精度とパフォーマンスを比較します。 より一般的なTransformerベースのモデルとは異なり、このアーキテクチャは任意の長さの入力を処理できる。
  論文  参考訳（メタデータ） (2021-04-15T21:43:13Z)

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。