IPAD：用于场景文本识别的迭代、并行与基于扩散的网络

如今，由于场景文本识别的广泛应用，它吸引了越来越多的关注。大多数最先进的方法采用带有注意力机制的编码器-解码器框架，自回归地从左到右生成文本。尽管性能令人信服，但这种顺序解码策略限制了推理速度。相反，非自回归模型提供了更快、同时的预测，但通常会牺牲准确性。虽然利用显式语言模型可以提高性能，但这会增加计算负担。此外，将语言知识与视觉信息分离可能会损害最终的预测。在本文中，我们提出了一种替代解决方案，使用采用由易到难解码策略的并行和迭代解码器。此外，我们将文本识别视为基于图像的条件文本生成任务，并利用离散扩散策略，确保对双向上下文信息进行详尽的探索。大量实验表明，所提出的方法在基准数据集上取得了优异的结果，包括中文和英文文本图像。