LRANet++：基于低秩近似的高精度高效文本检测网络

端到端文本检测旨在在统一框架中联合优化文本检测和识别。尽管取得了显著进展，但对于任意形状文本的高精度高效端到端文本检测器仍具挑战性。我们识别出主要瓶颈在于缺乏可靠且高效的文本检测方法。为此，我们提出一种基于低秩近似的新型参数化文本形状表示，用于精确检测，并提出三段式分配检测头以实现快速推理。具体而言，与当前与数据无关的数据形状表示方法不同，我们利用标记文本边界之间的形状相关性来构建稳健的低秩子空间。通过最小化 $\ell_1$-范数目标，我们提取出正交向量，以从噪声注释中捕获文本形状的内在特征，使其仅通过少数基向量的线性组合即可实现精确重建。接下来，三段式分配方案将训练复杂度与推理速度解耦。它利用深稀疏分支指导一个超轻量级推理分支，而密集分支则提供丰富的并行监督。基于这些突破，我们将增强检测模块集成到轻量级识别分支中，构建了一个能够准确且高效地检测任意形状文本的端到端文本检测框架，称为 LRANet++。在挑战性基准测试上的大量实验表明，LRANet++ 相对于当前最先进的方法具有优势。代码已公开：https://github.com/ychensu/LRANet-PP。