parseq

收录理由

PARSeq 是 ECCV 2022 上发表的场景文字识别模型，专门从招牌、收据、标签等真实场景的裁剪图像中读取文字。它的核心设计是一个 Transformer，仅通过切换注意力掩码就能改变解码方式，从而在单一模型内同时支持无上下文识别、上下文感知解码和迭代精化，无需额外搭配语言模型，计算开销也比同类方法更小。仓库提供了预训练权重、训练与评估脚本以及在线演示，模型已被 PaddleOCR 和 docTR 两大主流 OCR 工具库集成，作为参考实现或直接集成都很稳妥。对于对比 STR 架构的研究者，它也是一个干净、可复现的基线，适合与 ABINet、TRBA、ViTSTR 等方案进行公平比较。