SPTS：单点文本 spotting

现有场景文本 spotting（即端到端文本检测与识别）方法依赖于昂贵的边界框标注（例如文本行、词级或字符级边界框）。我们首次证明，训练场景文本 spotting 模型可通过为每个实例提供极低成本的单点标注来实现。我们提出一种端到端场景文本 spotting 方法，将场景文本 spotting 作为序列预测任务来处理。给定图像作为输入，我们将所需的检测与识别结果表示为离散 token 的序列，并使用自回归 Transformer 预测该序列。所提方法简洁而有效，能在广泛使用的基准上取得最先进结果。最为重要的是，我们表明性能对点标注的位置并不十分敏感，这意味着其比需要精确位置的边界框更易标注甚至可自动生成。我们相信，这一开创性尝试表明了场景文本 spotting 应用规模远超以往可能的重大机遇。代码见 https://github.com/shannanyinxiang/SPTS。