SVTR：基于单一视觉模型的场景文本识别

主流的场景文本识别模型通常由两个核心组件构成：用于特征提取的视觉模型和用于文本转录的序列模型。尽管这种混合架构具有较高的识别精度，但其结构复杂且计算效率较低。在本研究中，我们提出了一种基于分块图像标记化框架的单视觉模型（Single Visual model for Scene Text Recognition），简称SVTR，该方法完全摒弃了传统的序列建模机制。SVTR首先将图像中的文本分解为若干小块，称为字符组件；随后通过层级化的处理阶段，对这些组件进行逐级混合、合并与组合。为此，我们设计了全局混合块与局部混合块，分别用于捕捉字符间的上下文关系与字符内部的结构特征，从而实现多粒度的字符组件感知。最终，通过一个简单的线性预测层完成字符识别。在英文与中文场景文本识别任务上的实验结果表明，SVTR具有显著的有效性。其中，SVTR-L（Large）在英文任务上达到极具竞争力的识别精度，并在中文任务上显著优于现有方法，同时具备更快的运行速度；而SVTR-T（Tiny）则是一个更小、更高效的模型，在推理阶段展现出优异的运行速度。相关代码已公开，可访问 https://github.com/PaddlePaddle/PaddleOCR 获取。