要約
一般的テキスト認識手法はエンコーダー-デコーダー構造に依存しており、この構造ではエンコーダーが画像から特徴を抽出し、デコーダーがこれらの特徴から認識されたテキストを生成します。本研究では、より単純かつ効果的なテキスト認識手法として、光学文字認識用のデコーダーのみのトランスフォーマー（DTrOCR: Decoder-only Transformer for Optical Character Recognition）を提案します。この手法は、大規模なコーパスで事前学習された生成言語モデルを活用するため、デコーダーのみのトランスフォーマーを使用しています。私たちは、自然言語処理において成功した生成言語モデルが、コンピュータビジョンにおけるテキスト認識にも効果的であるかどうかを検討しました。実験結果は、DTrOCRが英語と中国語の印刷体、手書き体、およびシーンテキストの認識において現行の最先端手法を大幅に上回ることを示しました。