All-in-One Multilingual Scene Text Recognition with Script-aware Mixture-of-Experts
Aggiunta all'archivio di AIChronos il (numero del 23 settembre 2026 ricostruito)· fonte del · Xingsong Ye, Yongkun Du, Jiaxin Zhang, Zhixian Li, Chong Sun, Chen Li (Fudan University)
Il lavoro presenta TextMuSS-10M, un dataset sintetico su larga scala per il riconoscimento di testo in scene multilingue che copre 229 lingue e 10 script. Viene introdotto ScriptMoE, una architettura a Mixture-of-Experts (MoE) aware dello script che condivide un encoder visivo unico sostituendo il decoder denso con un blocco MoE sparso per gestire diverse scritture in modo efficiente. Gli esperimenti dimostrano che questo approccio supera le baseline esistenti e i modelli VLM, raggiungendo una precisione del 82.06% su TextMuSS-Bench e migliorando significativamente lo score F1 sul task CC-OCR end-to-end.
- Costruzione di TextMuSS-10M per fornire supervisione bilanciata in assenza di dati reali sufficienti per molte lingue.
- ScriptMoE utilizza un router a livello immagine che instrada ogni input ai top-2 esperti allineati allo script e un esperto condiviso.
Perché conta. ['Permette di implementare sistemi OCR multilingue leggeri ed efficienti senza dipendere da costosi VLM o da architetture monolingua.', "Facilita l'integrazione del riconoscimento testo in agenti AI locali che devono operare su documenti globali con script diversi."]
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.