UPOCR：迈向统一的像素级 OCR 接口

现有的光学字符识别（OCR）方法依赖于具有不同范式、架构和训练策略的特定任务设计，这显著增加了研究和维护的复杂性，并阻碍了在应用中的快速部署。为此，我们提出 UPOCR，一个简单而有效的通用模型，用于统一的像素级 OCR 接口。具体而言，UPOCR 将各种 OCR 任务的范式统一为图像到图像的转换，并将架构统一为基于视觉 Transformer (ViT) 且带有可学习任务提示的编码器-解码器。这些提示将编码器提取的通用特征表示推向特定任务空间，赋予解码器任务感知能力。此外，模型训练统一旨在最小化预测图像与真值图像之间的差异，而不考虑任务之间的不均匀性。实验在三个像素级 OCR 任务上进行，包括文本去除、文本分割和篡改文本检测。无需额外技巧，实验结果表明，所提出的方法可以使用统一的单一模型在三个任务上同时取得 SOTA 性能，这为未来通用 OCR 模型的研究提供了有价值的策略和见解。代码可在 https://github.com/shannanyinxiang/UPOCR 获取。