双向建模抗噪
将视觉与语言模型解耦，通过双向完形填空网络和迭代纠正实现显式语言建模，显著提升低质量图像的文本识别性能。
Fang, Shancheng · 毛震东 · 谢洪涛 · 王裕鑫 · 颜成钢 · 张勇东
IEEE Transactions on Pattern Analysis and Machine Intelligence 2023
将识别器解耦为视觉模型和语言模型，并阻断两者间的梯度流，强制进行显式语言建模，提升了语言规则的有效利用。
提出双向完形填空网络（BCN）作为语言模型，利用双向特征表示，比单向模型更全面地捕捉上下文信息。
对语言模型执行迭代纠错，有效缓解噪声输入的影响，即使初始预测有误也能逐步修正。
在 U-Net 中嵌入 Transformer 单元聚合水平特征，并设计位置与内容注意力模块，使长文本识别更精确。