[IJCAI 2022] C3-STISR: 基于三重线索引导的场景文本图像超分辨率方法（有源码）

本文简要介绍发表在IJCAI 2022上关于场景文本图像超分辨率的论文《C3-STISR: Scene Text Image Super-resolution with Triple Clues》。这篇文章提出了一种新颖的场景文本图像超分辨率方法C3-STISR，提出联合使用识别、视觉和语言信息等三重线索来指导超分辨率，并为三重模态线索设计了有效的提取和融合机制，以生成全面统一的超分辨率重建信息。与现有方法仅使用识别线索相比，C3-STISR可以在新引入的视觉和语言线索的帮助下，缓解识别线索的不准确和模态不兼容的问题，从而生成更高质量的文本图像。在TextZoom数据集上的大量实验表明，C3-STISR在保真度和识别性能方面均优于SOTA方法。部分代码已开源在https://github.com/zhaominyiz/C3-STISR。

一、研究背景

场景文本图像超分辨率（STISR）作为一种重要的图像预处理技术，能够显著降低低分辨率文本图像的识别难度，提升识别模型性能。早期的方法[1-3]将 STISR任务视为一般的超分辨率（SR）问题，仅利用像素级损失函数捕获的像素级信息来恢复 LR 图像，如图1（a）所示。然而，这些方法忽略了文本图像所特有的文本特征信息，因而无法实现最佳的性能。

最新的一些方法[4-7]提出关注图像的文本特征，并利用文本信息来引导高分辨率文本图像的重建，如图1（b）所示。这些方法通常引入额外的识别器，使用识别器的识别结果作为指导超分辨率的线索。例如，[4][5]提出使用一个预训练好的识别网络对所恢复的文本内容进行监督，并通过识别器提供的注意力热图对每个字符进行定位; [6][7]提出使用识别网络输出的文本概率分布作为图像的文本先验知识，更好地对超分过程进行语义指导。尽管上述方法的性能取得了显著提升，但直接使用识别器的反馈仍存在两个问题：1）模态兼容性问题。识别器的输出是概率分布（PD）的形式，它与STISR这一低级的像素级视觉任务有明显的模态差距，因此存在模态兼容性问题。2）不准确。识别器的识别结果通常不准确（CRNN[8]在LR/HR图像的识别准确率仅为26.8%/72.4%），因而会误导后续的超分辨率重建。

因此，基于对现有方法的思考，作者提出了一种新的场景文本图像超分辨率方法C3-STISR。该方法联合使用识别器的反馈、视觉信息和语言信息等三重线索（Triple Clues）来指导超分过程，如图1（c）所示。具体来说，视觉线索是根据识别器预测的文本序列来绘制图像，并从所绘制的文本图像中提取到的图像特征；由于视觉线索与STISR任务更兼容，因此能够得到更好的超分效果（如图1（c）中，由于视觉线索的使用，获得了更清晰的字符“B”）。而语言线索是由预训练好的的语言模型生成的，它能够校正预测的文本（在图1（c）中，“Blrd”被校正为“Bird”）。此外，由于这些线索具有不同的形式，该方法设计了一个线索提取模块以分别提取识别、视觉和语言线索，并设计了一个门控融合模块将三重线索融合为一个综合的、统一的超分辨率重建引导信号

图1 现有场景文本图像超分辨方法的流程图

二、方法和原理简述

C3-STISR的整体网络结构如图2所示，网络由两个主要组件组成：主干网络和线索生成器。具体来说，线索生成器由两个子组件组成：线索提取分支和线索融合分支。线索提取分支以低分辨图像作为输入，并基于识别器的反馈生成三条线索：识别线索、视觉线索和语言线索；然后，线索融合分支融合三条线索以生成用于指导超分辨率的融合线索,即。最后，主干网络以低分辨图像和融合线索作为输入，进行超分辨图像的重建。

图2 C3-STISR的整体网络结构

2.1线索生成器

线索生成器进行线索提取可以分为两个步骤：首先利用线索提取分支提取初始的三重跨模态线索，然后利用线索融合分支进行线索融合。

2.1.1 线索提取分支

识别线索提取

首先计算识别线索。其中，代表识别器CRNN[8]所预测的文本概率分布;是一个预处理网络，它将概率分布转换为像素特征图，并通过掩蔽不确定信息来减少预测误差，即。预处理网络由多层转置卷积层和一个可变形时空注意力（DSTA）块[9]组成；DSTA块利用可变形卷积[10]来计算空间注意力图，以掩蔽信息中的不确定性。考虑到识别器的性能会严重影响识别线索，我们采用蒸馏损失来微调识别器R。

视觉线索提取

视觉线索提取器的目标是根据识别器预测的文本序列来绘制图像，并从所绘制的文本图像中提取的图像特征。为此，首先将概率分布解码为文本字符串,然后使用骨架绘制器绘制黑白文本图像。然而，生成的文本图像存在两个缺点：首先，在解码过程中会丢失预置信度，这可能会加剧错误的传播；其次，文本图像是以固定字体在水平方向上生成，而识别线索被插值到像素级，这可能会导致形状错位。因此，作者额外设计了一个处理网络来处理这些问题。具体而言，由一层可变形卷积和一个DSTA块组成，目的是使得识别线索和文本图像对齐。

语言线索提取

语言线索提取器通过语言模型校正识别器输出的概率分布，并输出校正后的概率分布，即。同样，通过蒸馏损失对语言模型[11]进行微调，以适应超分辨率任务。此外，还设计了一个处理网络将校正后的概率分布转换为像素级特征图，即。与类似，由投影网络和DSTA块组成，用于减少误差。

2.1.2线索融合分支

利用线索提取分支，得到识别线索、视觉线索和语言线索，三者均为大小为的像素特征图，然后利用线索融合分支进行线索融合。首先采用几个扩展卷积层来提取它们的特征；然后将这些特征与LR图像在通道维度上进行拼接，并利用一组卷积层生成掩模。在沿着M的第一维度执行Softmax之后，我们得到如下融合线索

2.2主干网络

主干网络包含一个STN网络，和五个改进的TSRN块；主干网络在融合线索的引导下恢复低分辨率图像。并采用L2损失和文本聚焦损失[4]以权衡保真度和识别性能。

三、主要实验结果

作者在TextZoom数据集上对所提出的方法进行了评估，C3-STISR与SOTA方法在CRNN、ASTER、MORAN三种文字识别网络上的识别精度对比如表1所示。可以看到，C3-STISR显著提高了识别精度，例如，将CRNN准确性从48.9%提高到53.7%（增加4.8%）。

表1 TextZoom数据集上的性能（识别准确度）比较

C3-STISR与SOTA方法在图像评测指标PSNR、SSIM上的对比如表2所示，实验结果证明了该方法在保真度方面同样优于现有方法。图3中可视化了一些示例，如图3所示，与其他方法相比，C3-STISR可以更好地恢复模糊像素。

表2 TextZoom数据集上的保真度（PSNR、SSIM）比较

此外，作者还做了很多消融实验以证明各模块设计的有效性，具体实验细节请查阅原论文。

图3 不同STISR方法生成的SR图像和识别结果对比

四、总结和讨论

本文的主要贡献总结如下：1）提出了一种新的场景文本图像超分辨率方法C3-STISR，联合使用识别、视觉和语言线索来指导超分辨率。与现有方法仅使用识别线索相比，C3-STISR可以在新引入的视觉和语言线索的帮助下生成更高质量的文本图像。2）设计了一个强大的线索生成器，以“分而治之“的方式提取三重模式线索，然后将它们聚合为一个综合的、统一的线索以引导超分辨率的重建。3） 在TextZoom数据集进行了广泛的实验，结果表明C3-STISR显著优于现有的方法。

论文地址：https://arxiv.org/abs/2204.14044

开源代码：https://github.com/ zhaominyiz/C3-STISR.

参考文献

[1] Chao Dong, Chen Change Loy, Kaiming He, and Xiaoou Tang. Image super-resolution using deep convolutional networks. TPAMI, 38(2):295–307, 2015.

[2] Yulun Zhang, Kunpeng Li, Kai Li, Lichen Wang, Bineng Zhong, and Yun Fu. Image superresolution using very deep residual channel attention networks. In ECCV, pages 286–301, 2018

[3] Tao Dai, Jianrui Cai, Yongbing Zhang, Shu-Tao Xia, and Lei Zhang. Second-order attention network for single image super-resolution. In CVPR, pages 11065–11074, 2019.

[4] Jingye Chen, Bin Li, and Xiangyang Xue. Scene text telescope: Text-focused scene image super-resolution. In CVPR, pages 12026–12035, 2021.

[5] Jingye Chen, Haiyang Yu, Jianqi Ma, Bin Li, and Xiangyang Xue. Text gestalt: Stroke-aware scene text image super-resolution. In AAAI, pages 285–293, 2022.

[6] Jianqi Ma, Shi Guo, and Lei Zhang. Text prior guided scene text image super-resolution. arXiv preprint arXiv:2106.15368, 2021.

[7] Jianqi Ma, Zhetong Liang, and Lei Zhang. A text attention network for spatial deformation robust scene text image super-resolution. In CVPR, pages 5911–5920, 2022.

[8] Baoguang Shi, Xiang Bai, and Cong Yao. An end-to-end trainable neural network for image-based sequence recognition and its application to scene text recognition. TPAMI, 39(11):2298–2304, 2016.

[9] Minyi Zhao, Yi Xu, and Shuigeng Zhou. Recursive fusion and deformable spatiotemporal attention for video compression artifact reduction. In MM, pages 5646–5654, 2021

[10] Jifeng Dai, Haozhi Qi, Yuwen Xiong, Yi Li, Guodong Zhang, Han Hu, and Yichen Wei. Deformable convolutional networks. In ICCV, pages 764– 773, 2017.

[11] Shancheng Fang, Hongtao Xie, Yuxin Wang, Zhendong Mao, and Yongdong Zhang. Read like humans: Autonomous, bidirectional and iterative language modeling for scene text recognition. In CVPR, pages 7098–7107, 2021.

---

原文作者: Minyi Zhao, Miao Wang, Fan Bai, Bingjia Li, Jie Wang, Shuigeng Zhou

撰稿：孔宇昕

编排：高 学

审校：连宙辉

发布：金连文 

---

免责声明：（1）本文仅代表撰稿者观点，撰稿者不一定是原文作者，其个人理解及总结不一定准确及全面，论文完整思想及论点应以原论文为准。（2）本文观点不代表本公众号立场。

往期精彩内容回顾

征稿启事：本公众号将不定期介绍文档图像分析与识别及相关领域的论文、数据集、代码等成果，欢迎自荐或推荐相关领域最新论文/代码/数据集等成果给本公众号审阅编排后发布 (联系Email: [e-mail])。

扫码关注，获取最新OCR资讯