基于 Vision Mamba 的自适应多尺度文档二值化
计算机视觉与模式识别
2024-10-31 v1
摘要
增强和保持文档图像（尤其是历史文档）的可读性，对于有效的文档图像分析至关重要。针对此任务已有众多模型被提出，包括基于卷积的、基于Transformer的以及混合卷积-Transformer架构。尽管混合模型弥补了纯卷积或纯Transformer方法的局限性，但它们往往遭受二次时间复杂度等问题。在本工作中，我们提出了一种基于Mamba的文档二值化架构，通过线性扩展和优化内存使用来高效处理长序列。此外，我们通过引入高斯差分（DoG）特征对跳跃连接进行了新颖的改进，灵感来源于常规信号处理技术。这些多尺度高频特征使模型能够生成高质量、细节丰富的输出。
引用
@article{arxiv.2410.22811,
title = {Adaptive Multi Scale Document Binarisation Using Vision Mamba},
author = {Mohd. Azfar and Siddhant Bharadwaj and Ashwin Sasikumar},
journal= {arXiv preprint arXiv:2410.22811},
year = {2024}
}