摘要

场景文本识别（Scene Text Recognition, STR）方法在实现高精度与快速推理速度之间长期面临挑战。基于自回归（Autoregressive, AR）的模型采用逐字符的方式进行识别，虽然在准确性方面表现优异，但推理速度较慢；而基于并行解码（Parallel Decoding, PD）的模型则能在单次解码过程中同时预测所有字符，显著提升了推理效率，但通常在准确性上有所妥协。本文首先对STR中的AR解码机制进行了实证研究，发现AR解码器不仅能够建模语言上下文，还能有效引导视觉上下文的感知。基于此发现，我们提出一种新型的并行解码架构——上下文感知并行解码器（Context Perception Parallel Decoder, CPPD），用于在一次并行解码过程中完成字符序列的预测。CPPD引入两个核心模块：字符计数模块（character counting module），用于推断每个字符的出现次数；字符排序模块（character ordering module），用于推断与内容无关的阅读顺序及占位符位置。随后，字符预测任务将占位符与具体字符进行关联，从而构建出完整的识别上下文。我们构建了一系列CPPD模型，并将所提出的模块集成到现有的STR解码器中进行验证。在英文与中文基准数据集上的实验结果表明，CPPD模型在保持高度竞争性识别精度的同时，推理速度相较其AR基线模型提升了约8倍。此外，将所提模块“插入”至现有STR解码器后，也显著提升了模型的识别准确率。相关代码已开源，详见：https://github.com/PaddlePaddle/PaddleOCR/blob/dygraph/doc/doc_en/algorithm_rec_cppd_en.md。