面向鲁棒复杂动漫场景文本检测的大规模数据集
计算机视觉与模式识别
2025-10-10 v1 人工智能
摘要
当前文本检测数据集主要针对自然场景或文档场景，文本通常呈现规律的字体和形状、单调的颜色以及有序的布局。文本通常沿直线或曲线排列。然而，这些特征与动漫场景有显著差异，后者中文本式多样、布局不规则，且容易与符号或装饰图案等复杂视觉元素混淆。动漫场景中的文本包含大量手写和特殊字体。为弥合这一差距，我们引入 AnimeText，一个包含 73.5 万张图片和 420 万个标注文本块的大规模数据集。它特别为动漫场景设计了分层标注和硬负样本。跨数据集评估使用最新方法表明，训练 AnimeText 的模型在动漫文本检测任务中优于现有数据集。为评估 AnimeText 在复杂动漫场景中的鲁棒性，我们进行了跨数据集基准测试，使用最新文本检测方法。实验结果表明，训练 AnimeText 的模型在动漫场景文本检测任务中优于训练现有数据集的模型。AnimeText 数据集已在 HuggingFace 上发布: https://huggingface.co/datasets/deepghs/AnimeText
引用
@article{arxiv.2510.07951,
title = {A Large-scale Dataset for Robust Complex Anime Scene Text Detection},
author = {Ziyi Dong and Yurui Zhang and Changmao Li and Naomi Rue Golding and Qing Long},
journal= {arXiv preprint arXiv:2510.07951},
year = {2025}
}