近年来，由于其在众多应用领域中的重要性，场景文本识别（Scene Text Recognition）受到了学术界和工业界的广泛关注。尽管面向文档文本的光学字符识别（OCR）系统已相对成熟，但场景文本识别仍面临诸多挑战。背景复杂、文本外观多样以及布局不规则等因素带来了显著困难，传统OCR方法难以有效应对。近年来，场景文本识别的进展主要得益于基于深度学习的识别模型的成功。其中，一些方法利用卷积神经网络（CNN）逐字符进行文本识别，另一些方法采用CNN对单词进行分类[24]、[26]，还有方法结合CNN与循环神经网络（RNN）以识别字符序列[54]。尽管这些方法取得了显著成效，但它们并未显式解决不规则文本（irregular text）的识别问题。所谓不规则文本，是指非水平、非正视方向、具有弯曲布局等特征的文本。在自然场景中，此类文本实例十分常见。如图1所示，典型情况包括定向文本、透视文本[49]以及弯曲文本。由于先前方法缺乏对这类不规则性的不变性设计，因此在识别此类文本时往往表现不佳。