TEACH：将文本编码作为场景文本识别的课程提示
计算机视觉与模式识别
2025-08-05 v1
摘要
场景文本识别(STR)因复杂的视觉外观和有限的语义先验而具有挑战性。我们提出TEACH，一种新颖的训练范式，将ground-truth文本注入模型作为辅助输入，并在训练过程中逐渐减少其影响。在编码目标标签到嵌入空间并应用损失感知掩码的基础上，TEACH模拟了从标签依赖学习到完全视觉识别的课程学习过程。不同于语言模型方法，TEACH无需外部预训练，亦无推理开销。它具有模型中立性，可无缝集成到现有的编码器-解码器框架中。广泛实验表明，使用TEACH训练的模型在多个公开基准上实现持续的准确率提升，尤其在面对挑战性条件时表现尤为突出，验证了其鲁棒性和广泛适用性。
引用
@article{arxiv.2508.01153,
title = {TEACH: Text Encoding as Curriculum Hints for Scene Text Recognition},
author = {Xiahan Yang and Hui Zheng},
journal= {arXiv preprint arXiv:2508.01153},
year = {2025}
}
备注
9 pages (w/o ref), 5 figures, 7 tables