多粒度融合场景文本识别模型

平均识别准确率94%

通过结合ViT与多粒度语言信息，在未引入独立语言模型的情况下，显著提升场景文本识别精度与泛化性。

Cheng, Da · Wang, Peng · Yao, Cong

International Journal of Computer Vision 2026

参数信息

平均识别准确率

94 %

技术优势

精度更高

在标准基准上平均识别准确率达94%，超越多数现有最优模型。

泛化性强

在手写和更具挑战性的场景文本数据集上均取得最优结果。

应用场景

• 场景文本识别：提升自然场景中文字识别精度，替代需独立语言模型的方案。
• 视觉文档理解：为文档图像中的文本提取提供高精度识别，支撑下游理解任务。
• 多模态感知：融合视觉与隐式语言信息，增强多模态感知中的文本理解能力。
• 边缘OCR：模型无需独立语言模型，计算开销低，适合边缘端部署。