选你所需：场景文本识别、消除与编辑的解耦表示学习

场景文本图像不仅包含样式信息（字体、背景），还包含内容信息（字符、纹理）。不同的场景文本任务需要不同的信息，但以往的表示学习方法为所有任务使用紧密耦合的特征，导致性能次优。我们提出一种解耦表示学习框架（DARLING），旨在解耦这两种特征，以提高适应性，更好地应对各种下游任务（选你所需）。具体而言，我们合成了一组样式相同但内容不同的图像对数据集。基于该数据集，我们通过监督设计来解耦这两种特征。明确地，我们直接将视觉表示分为样式特征和内容特征，其中内容特征由文本识别损失监督，而对齐损失用于在图像对之间的样式特征上进行对齐。随后，样式特征通过一种指示对手内容的提示输入图像解码器，用于重建对手图像。此操作有效地基于其独特属性解耦特征。就场景文本领域而言，这是首次实现对文本图像内在属性的解耦。我们的方法在场景文本识别、消除和编辑任务上均实现了最先进的性能。