リアルタイムシーンテキスト検出における微分可能バイナリ化と適応的スケール統合

近年、任意の形状や極端なアスペクト比を持つ文字インスタンスを検出する能力に優れる点から、ピクセル単位の表現を活用するセグメンテーションベースのシーンテキスト検出手法が、この分野において広範な注目を集めている。しかし、既存の多数のセグメンテーションベース手法は、複雑な後処理アルゴリズムとセグメンテーションモデルのスケールロバスト性という点で制限を受けており、後処理アルゴリズムはモデル最適化とは独立して実行され、計算コストが高く、スケールロバスト性の強化も通常、複数スケールの特徴マップを直接統合する手法に依存している。本論文では、後処理プロセスにおいて最も重要なステップの一つである二値化処理を、セグメンテーションネットワークに統合する「微分可能な二値化（Differentiable Binarization: DB）モジュール」を提案する。提案するDBモジュールと同時に最適化されることで、セグメンテーションネットワークはより正確な出力を生成でき、シンプルなパイプラインでテキスト検出の精度を向上させることができる。さらに、異なるスケールの特徴を適応的に統合することでスケールロバスト性を向上させる「効率的な適応的スケール統合（Adaptive Scale Fusion: ASF）モジュール」も提案する。本研究で提案するDBモジュールとASFモジュールをセグメンテーションネットワークに組み合わせることで、5つの標準ベンチマークにおいて、検出精度と速度の両面で一貫して最先端の性能を達成した。