基于稀疏图分割的无约束条件下文本阅读顺序识别

文本阅读顺序是 OCR 引擎输出中的关键环节，对下游任务有重大影响。其难点在于领域特定版面结构的巨大差异，而真实世界图像退化（如透视畸变）进一步加剧了这一问题。我们提出了一种轻量、可扩展且可泛化的方法，通过运行在稀疏版面图上的多模态多任务图卷积网络（GCN）来识别文本阅读顺序。模型的预测提供了文本行与版面区域结构之间二维关系的线索，基于此，一种后处理聚类排序算法生成所有文本行的有序序列。该模型与语言无关，可有效地跨越多语言数据集运行，这些数据集包含各类在无约束条件下拍摄的图像，且模型足够小，几乎可部署于任何平台，包括移动设备。