动态低分辨率蒸馏：高效端到端文本识别新方法

“动态低分辨率蒸馏：经济高效的端到端文本识别” 在当前的文本识别领域，端到端的解决方案因其全局优化能力和高可扩展性而备受青睐。然而，一个关键的问题是输入图像的分辨率对计算成本的影响。识别小文本实例通常需要放大整个图像，这不仅增加了计算负担，也降低了系统运行的效率。针对这一挑战，文章提出了“动态低分辨率蒸馏”（DLD）框架，旨在在保证识别准确性的同时，降低计算成本。 DLD框架的核心是一个分辨率选择器，它能够根据不同的文本实例动态调整输入图像的分辨率。这一机制考虑了推理精度和计算成本之间的平衡，使得低分辨率的图像也能被有效地处理。此外，为了弥补低分辨率图像中可能丢失的细节信息，研究者采用了序列知识蒸馏（SKD）策略。通过在文本识别分支上应用SKD，低分辨率输入能够在保持高性能的同时，减少计算需求。 这种方法允许端到端的优化，并且可以无缝集成到现有的文本识别框架中，增强了框架的实用性。实验结果在多个文本识别基准上验证了DLD的有效性，显著提高了低分辨率模型的可用性。代码已公开在https://github.com/hikopensource/DAVAR-Lab-OCR/，供研究者参考和使用。 关键词涉及到的方面包括端到端文本识别、动态分辨率选择、序列知识蒸馏等。端到端文本识别技术的发展，已经替代了传统的文本检测和识别两步流程，减少了错误传递和维护成本。近年来，为提升实时性，研究人员通过创新设计模型结构，适应不同几何形状的文本。DLD在此基础上，引入了动态分辨率的概念，解决了低分辨率带来的识别难题，从而在效率和准确度之间找到了一个新的平衡点。 通过DLD，即使在较低的分辨率下，模型依然能够保持良好的识别性能，这对于资源有限的设备尤其有价值。这种技术对于应用场景广泛，如金融文档处理、教育资料分析、智能交通系统的文字识别等，都有显著的实用价值。未来，DLD可能会推动更多高效、低成本的文本识别解决方案的诞生。