SPTS v2：单点场景文本检测与识别

端到端场景文本定位（scene text spotting）由于文本检测与识别之间的内在协同作用，取得了显著进展。以往的方法通常依赖于人工标注，如水平矩形、旋转矩形、四边形或多边形等，这类标注方式的成本远高于单点标注。本文提出的全新框架SPTS v2，首次实现了仅通过单点标注即可训练高性能的文本定位模型。SPTS v2保留了自回归Transformer架构的优势，采用实例分配解码器（Instance Assignment Decoder, IAD），通过在同一条预测序列中依次预测所有文本实例的中心点，从而实现对文本位置的精准建模；同时引入并行识别解码器（Parallel Recognition Decoder, PRD），实现文本识别的并行处理，显著降低了序列长度的需求。这两个解码器共享参数，并通过一种简洁而高效的双向信息传递机制进行交互，有效实现梯度与特征信息的传递。在多个主流基准数据集上的大量实验表明，SPTS v2在参数量更少的情况下，性能超越了此前最先进的单点标注文本定位方法，且推理速度提升达19倍。在SPTS v2框架下，实验结果表明，相较于其他标注形式，单点表示在场景文本定位任务中展现出潜在优势。这一探索为突破现有技术范式，推动场景文本定位在更广泛应用场景中的落地提供了重要契机。代码已开源，地址为：https://github.com/Yuliang-Liu/SPTSv2。