单次推理自依赖场景文本定位器：解耦 yet 协同的检测与识别

典型的文本检测器遵循两阶段检测范式：首先检测文本实例的边界，随后在检测到的区域内进行文本识别。尽管该范式取得了显著进展，但其一个重要局限在于，文本识别的性能高度依赖于文本检测的精度，从而导致检测阶段的误差可能传播至识别阶段，影响整体性能。针对这一问题，本文提出了一种单阶段自依赖场景文本检测器v2（Single Shot Self-Reliant Scene Text Spotter v2, SRSTS v2），通过将识别任务与检测任务解耦，同时实现两者的协同优化，有效规避了上述局限性。具体而言，SRSTS v2在每个潜在文本实例周围采样具有代表性的特征点，并基于这些采样点并行执行文本检测与识别。由此，文本识别不再依赖于检测结果，显著缓解了误差从检测向识别的传播问题。此外，采样模块在检测与识别双重监督下进行学习，实现了两个任务之间的协同优化与相互促进。得益于这一基于采样驱动的并行检测框架，即使在难以精确检测文本边界的情况下，本方法仍能准确识别文本实例。在四个主流基准数据集上的大量实验表明，所提方法在性能上优于现有最先进的文本检测器。