[論文レビュー] Text-Pass Filter: An Efficient Scene Text Detector

Chuang Yang, Haozhao Ma+3 more|arXiv (Cornell University)|Jan 26, 2026

Handwritten Text Recognition Techniques被引用数 0

ひとこと要約

要約: 本論文は、直接的で効率的な任意形状のシーンテキスト検出のための Text-Pass Filter (TPF) を提案し、テキスト特徴の一貫性と前景識別を向上させる REU と FPU を導入します。

ABSTRACT

To pursue an efficient text assembling process, existing methods detect texts via the shrink-mask expansion strategy. However, the shrinking operation loses the visual features of text margins and confuses the foreground and background difference, which brings intrinsic limitations to recognize text features. We follow this issue and design Text-Pass Filter (TPF) for arbitrary-shaped text detection. It segments the whole text directly, which avoids the intrinsic limitations. It is noteworthy that different from previous whole text region-based methods, TPF can separate adhesive texts naturally without complex decoding or post-processing processes, which makes it possible for real-time text detection. Concretely, we find that the band-pass filter allows through components in a specified band of frequencies, called its passband but blocks components with frequencies above or below this band. It provides a natural idea for extracting whole texts separately. By simulating the band-pass filter, TPF constructs a unique feature-filter pair for each text. In the inference stage, every filter extracts the corresponding matched text by passing its pass-feature and blocking other features. Meanwhile, considering the large aspect ratio problem of ribbon-like texts makes it hard to recognize texts wholly, a Reinforcement Ensemble Unit (REU) is designed to enhance the feature consistency of the same text and to enlarge the filter's recognition field to help recognize whole texts. Furthermore, a Foreground Prior Unit (FPU) is introduced to encourage TPF to discriminate the difference between the foreground and background, which improves the feature-filter pair quality. Experiments demonstrate the effectiveness of REU and FPU while showing the TPF's superiority.

研究の動機と目的

• marginsの縮小による歪みを抑えつつ、リアルタイム性のある任意形状シーンテキスト検出を動機づける。
• 従来の全領域法による複雑なデコード/後処理を排除し、テキスト領域全体を直接抽出する。
• band-pass-filter に着想を得た機構（TPF）を導入し、テキスト特有の特徴とフィルターを生成。
• 長尺のリボン状テキストの検出を強化する REU により認識領域を広げる。
• foregroundとbackgroundの識別を強化する FPU を用いて特徴-フィルターの品質を向上。

提案手法

• 全テキスト領域をテキスト特有の特徴-フィルター対を通じて抽出するバンドパスフィルタを模したエンドツーエンドCNNフレームワーク。
• センターポイント予測ヘッダとテキストごとの特徴・フィルターを生成するフィーチャー-フィルタ対ジェネレーター。
• 同じテキスト内での特徴の一貫性を強化し、同一テキストの複数フィルターを統合して強化フィルターを生成する Reinforcement Ensemble Unit (REU)。
• foreground-background分離を学習しセンターポイントの定位を改善する Foreground Prior Unit (FPU)。
• heavy decodingを伴わない並列的なインスタンス固有のテキスト抽出を実行するフィルター sieve ポスト処理。

実験結果

リサーチクエスチョン

• RQ1 バンドパスフィルタ風の機構は、縮小マスクの展開や重たい後処理なしで、全体のテキストインスタンスを正確にセグメントできるか。
• RQ2 REUとFPUは、粘着性やリボン状のインスタンスを含む任意形状テキストの特徴一貫性、検出器のリコール・精度を改善するか。
• RQ3 TPFの推論速度は、既存の全領域法や縮小マスクベースの方法と比較してどうか。

主な発見

Methods	REU	FPU	Precision (%)	Recall (%)	F-measure (%)	FPS
baseline	✗	✗	87.9	79.2	83.3	33.6
baseline+	✓	✗	89.7	80.7	85.0	36.2
baseline+	✓	✓	89.9	82.8	86.2	37.7
(note)

• TPFは、REUとFPUを追加するとベースラインよりも精度/再現率/F1スコアが向上する（例：MSRA-TD500でREUとFPU追加後にF1が83.3から86.2へ向上）。
• REUは特徴の一貫性を改善しフィルターの認識領域を拡大し、並列パス特徴認識による全テキストのセグメンテーションを実現。
• FPUは前景と背景の識別を改善し、センターポイントの正確な定位とテキストインスタンスの分離を支援。
• フィルター sieve によりテキストを並列処理して後処理を減らすため、推論が効率的に維持される。
• MSRA-TD500でREUとFPUを追加すると FPS が 33.6 から 37.7 に向上（ベースラインからベースライン+REU+FPU）。
• ベースラインと比較して、REUとFPUを用いた TPF はパラメータ数・FLOPs・時間コストのトレードオフで有利な点を示す。