Box2Poly：任意形状与旋转文本的内存高效多边形预测
计算机视觉与模式识别
2025-08-13 v2
摘要
近来，基于Transformer的文本检测技术试图通过用不同查询特征编码各边界顶点的坐标来预测多边形。然而，该方法带来显著内存开销，且难以有效捕捉属于同一实例的顶点间的内在关联。因此，不规则文本布局常导致轮廓顶点预测失真，降低结果质量。为应对这些挑战，我们提出一种根植于Sparse R-CNN的创新方法：一种用于多边形预测的级联解码流水线。我们的方法通过迭代精炼多边形预测（兼顾先前结果的尺度与位置）来确保精度。借助这一稳定的回归流水线，即便仅用单一特征向量引导多边形实例回归，也能取得可观的检测结果。同时，实例级特征提议的利用大幅提升了内存效率（较最先进方法DPText-DETR减少>50%）并降低推理速度开销（较DPText-DETR减少>40%），且在基准上性能下降微小。
引用
@article{arxiv.2309.11248,
title = {Box2Poly: Memory-Efficient Polygon Prediction of Arbitrarily Shaped and Rotated Text},
author = {Xuyang Chen and Dong Wang and Konrad Schindler and Mingwei Sun and Yongliang Wang and Nicolo Savioli and Liqiu Meng},
journal= {arXiv preprint arXiv:2309.11248},
year = {2025}
}
备注
Accepted to AAAI2024