基于多尺度注意力機制的場景文本擦除

何 平 張 恒 劉成林,3

場景文本作為信息傳遞的媒介，不管是在現(xiàn)實世界還是在虛擬世界，都與人類的生活、生產息息相關.除了新聞、報紙、招聘等共有信息之外，場景文本也包含很多的私人信息或敏感信息，包括交易信息、通信記錄和內容、征信信息、賬號密碼、財產信息、行蹤軌跡等[1-2].如何保護個人信息不受不法分子的利用，直接關系到個人的生命和財產安全.現(xiàn)有保護隱私的方法一般是直接刪除圖像文字中涉及個人隱私的信息，但對于大量的圖像文字，刪除需要高昂的人工成本.隨著人工智能的發(fā)展，基于深度學習的自然場景文本擦除[3-4]成為一個新興的研究方向，相比自然場景文本檢測[5-6]技術，場景文本擦除中的背景修復面臨更多的挑戰(zhàn).

文本擦除借鑒圖像修復的思想，需要對文本區(qū)域進行背景復原，但文本擦除比圖像修復更困難，因為文本擦除不僅需要關注文本區(qū)域，還需要關注非文本區(qū)域，防止非文本區(qū)域被網(wǎng)絡誤擦除.Shi等[7]通過局部相似性約束和稀疏建模，提出有效的基于樣本的修復算法，先計算需要填充的順序，再重建目標文本區(qū)域，以視覺合理的方式有效填充缺失像素.隨著生成對抗網(wǎng)絡(Generative Adversarial Networks， GAN)[8]應用于圖像生成領域，Isola等[9]提出pix2pix，使用條件生成對抗網(wǎng)絡(Conditional GAN， cGAN)作為圖像到圖像的轉換方法，改變卷積核大小以提高網(wǎng)絡的感受野.Isola等[9]證實使用PixelGAN(Pixel-Based GAN)[10]擦除文本會導致擦除的像素點變成紅色，而PatchGAN(Patch-Based GAN)[9]雖然可改進網(wǎng)絡輸出的清晰度，但也會導致圖像重影，難以訓練.相對來說，cGAN著色效果更優(yōu)，但是生成的圖像中偶爾會產生部分灰度區(qū)域.

上述文本擦除方法雖然取得一定效果，但魯棒性較差，只能在背景單一的圖像上產生較好的擦除效果.而自然場景文本圖像往往存在背景復雜多變、文本方向隨意或字體多變等問題，現(xiàn)有方法難以準確識別文本區(qū)域和非文本區(qū)域，導致擦除效果較差.為了使文本擦除技術更好地滿足人們日常生活的應用需求，學者們開始研究復雜背景的自然場景文本擦除方法.近年來，主要采用基于深度神經網(wǎng)絡的方法.這些方法主要可分為兩階段方法和一階段方法.

兩階段方法是將文本檢測和背景修復作為上下游任務.先檢測圖像中的文本區(qū)域，再將文本區(qū)域的掩碼作為背景修復網(wǎng)絡的輸入，對檢測的文本區(qū)域進行修復.Tursun等[11]提出MTRNet(Mask-Based Text Removal Network)，使用人工提供的文本掩碼輔助文本檢測網(wǎng)絡精準定位圖像中的文本區(qū)域，再修復檢測的文本區(qū)域，實現(xiàn)文本擦除區(qū)域的可控性.Zdenek等[12]提出不需要成對訓練圖像的弱監(jiān)督方法，利用現(xiàn)有的文字檢測數(shù)據(jù)集[1,13]和圖像修復數(shù)據(jù)集[14-16]進行文本檢測網(wǎng)絡和背景修復網(wǎng)絡的預訓練，只需要額外少量強標注數(shù)據(jù)進行模型調優(yōu).Tang等[4]和Cho等[17]優(yōu)化文本檢測網(wǎng)絡，使文本區(qū)域的定位更準確，進一步提升文本擦除的性能.

一階段方法使用端到端技術，即只用一個網(wǎng)絡框架完成文本擦除任務.Nakamura等[18]提出STE(Scene Text Eraser),采用圖像變換的方法，對滑動窗口裁剪的圖像進行快速處理.該方法為了提高模型輸出的分辨率，保留圖像中非文本區(qū)域.Tursun等[19]為了解決圖像裁剪會破壞上下文信息的問題，提出DCNN(Deep Convolution Neural Networks)，通過“軟注意力”減少對文本區(qū)域裁剪殘缺的負面影響，使用“硬注意力”準確識別圖像中的文字信息，進一步提升文本區(qū)域的擦除效果.為了加速網(wǎng)絡訓練的速度，Zhang等[20]提出EnsNet(Ensconce Net-work)，并使用4個損失函數(shù)增強文本區(qū)域的檢測和擦除，以保證非文本區(qū)域的完整性.為了解決文本定位問題，Liu等[3]和Tursun等[21]將文本檢測網(wǎng)絡和背景修復網(wǎng)絡并行訓練，通過文本檢測網(wǎng)絡感知圖像中的文本區(qū)域,但在實際應用中，輸出的文本檢測結果并未應用到背景修復網(wǎng)絡，只是為了使網(wǎng)絡可更好地定位和修復自然圖像中的文本.

相比一階段方法，兩階段方法的可解釋性更強，研究人員可通過可視化結果判斷是文本檢測網(wǎng)絡需要優(yōu)化，還是背景修復網(wǎng)絡需要優(yōu)化.但是，一階段方法網(wǎng)絡參數(shù)更少，運行效率更高.現(xiàn)有的文本擦除方法忽視文本區(qū)域和非文本區(qū)域像素點之間的聯(lián)系，以及原始特征的通道和空間維度的相互關聯(lián)，所以都存在文字檢測不準確、文本區(qū)域修復不連貫等問題.

為了解決上述問題，本文提出基于多尺度注意力機制的場景文本擦除框架(Scene Text Removal Based on Multi-scale Attention Mechanism， MASTR).框架主要由文本檢測網(wǎng)絡和背景修復網(wǎng)絡組成.文本檢測網(wǎng)絡可使背景修復網(wǎng)絡感知圖像中的文本區(qū)域，文本擦除、背景生成、文本區(qū)域的重構與恢復由背景修復網(wǎng)絡一步完成.在SCUT-SYN[20]、SCUT-EnsText[3]這2個文本擦除數(shù)據(jù)集上的實驗表明，MASTR的擦除效果較優(yōu).

1 基于多尺度注意力機制的場景文本擦除

1.1 整體框架

本文提出基于多尺度注意力機制的場景文本擦除框架，整體框架如圖1所示.文本檢測網(wǎng)絡和背景修復網(wǎng)絡共享一個主干網(wǎng)絡，訓練過程中并行優(yōu)化.網(wǎng)絡的整體訓練是一個端到端過程.

受文獻[22]的啟發(fā)，在場景文本擦除框架中設計上下文感知模塊(Context Aware Module， CAM)和紋理自適應模塊(Texture Adaptive Module， TAM).CAM學習圖像中文本區(qū)域和非文本區(qū)域之間的判別特征，增強網(wǎng)絡的文本檢測性能.TAM從原始特征的通道和空間2個維度進行特征提取，有效修復因重構文本區(qū)域而導致的陰影部分.此外，在文本檢測網(wǎng)絡和粗糙背景生成器中加入多尺度特征損失，有效增強網(wǎng)絡感受野，提升網(wǎng)絡對不同尺度文本的檢測和擦除性能.

圖1 MASTR整體框架

1.2 背景修復網(wǎng)絡

借鑒GAN的思想，背景修復網(wǎng)絡由生成器G和判別器D共同組成，通過交替更新G、D的網(wǎng)絡參數(shù)，不斷促進生成器學習圖像中空間信息和語義信息的分布，生成和目標域相同的圖像，最終使判別器無法對數(shù)據(jù)來源做出正確判斷.

1.2.1 生成器結構

由以往場景文本擦除方法[4,21]可知，深度神經網(wǎng)絡通過提取更豐富的特征信息，可緩解大規(guī)模文本區(qū)域難以修復的問題，而淺層神經網(wǎng)絡[21]提取的特征抽象程度不高，常因感受野較小導致文本區(qū)域修復不完整.因此本文也采取兩階段生成器，第1階段為粗糙背景生成器，第2階段為精致背景生成器.粗糙背景生成器和文本檢測網(wǎng)絡共享一個主干網(wǎng)絡，主干網(wǎng)絡由2個卷積層和6個殘差模塊[23]組成.

為了加強特征的紋理特征表示能力，本文設計TAM,結構如圖2所示.TAM從原始特征的通道和空間2個維度進行特征表示，自適應地集成局部特征與全局特征，有效提升背景修復效果.學習過程分為兩步，先學習原始特征的通道注意力得分，再在此基礎上學習該特征的空間注意力得分.

記輸入到TAM的特征圖x∈(C,H,W) ，其中，C表示通道數(shù),H表示高度,W表示寬度，通道注意力得分為：

Cscore(x)=S(MLP(Max(x))+MLP(Mean(x)))，

圖2 TAM模塊結構

其中，S(·)表示Sigmoid激活函數(shù)，Max(·)表示對特征圖進行最大池化，Mean(·)表示對特征圖進行平均池化.多層感知機(Multilayer Perception， MLP)是一個兩層的神經網(wǎng)絡，第1層神經元個數(shù)為C/16，第2層神經元個數(shù)為C.空間注意力得分為：

Sscore(x)=S(Max(x)‖Mean(x))，

其中‖表示矢量拼接操作.

粗糙背景生成器將輸入的原始圖像進行5次下采樣和5次上采樣，在上采樣過程中矢量拼接下采樣特征，通過矢量拼接不同層次的特征，緩解因網(wǎng)絡加深而導致空間信息損失的問題.借鑒特征金字塔網(wǎng)絡(Feature Pyramid Networks， FPN)[24]的思想，基于修復區(qū)域的尺度大小不一，利用網(wǎng)絡的每層卷積對圖像進行多尺度特征提取，使圖像可產生豐富的特征表示.在上采樣過程中，將128×128、256×256、512×512的圖像分別送入TAM中，自適應地集成局部特征與全局特征，再分別計算相應分辨率真值圖像和經過TAM輸出圖像的L1損失函數(shù).

精致背景生成器的輸入是粗糙背景生成器的輸出，可加深網(wǎng)絡層數(shù),獲取更豐富的語義信息.精致背景生成器為了有效增強網(wǎng)絡感受野，盡量獲取更大范圍的圖像信息，在128×128的特征上進行6次空洞卷積[25]，并應用跳躍連接集成低級語義信息與高級語義信息.為了防止信息冗余，只在精致背景生成器網(wǎng)絡中的最后一層應用TAM，再計算網(wǎng)絡最終輸出和對應真值的L1損失函數(shù).

1.2.2 判別器結構

本文使用的判別器為SNGAN(Spectral Norm GAN)[26]，在cGAN基礎上使用SpectralNorm函數(shù)代替BatchNorm2d函數(shù)，使判別器滿足Lipschitz約束，優(yōu)化網(wǎng)絡的訓練.

其中，Maskgt表示對應的文本掩碼真值，0表示非文本區(qū)域，1表示文本區(qū)域，F(xiàn)img表示輸入到MASTR的圖像，F(xiàn)eg表示精致背景生成器的最終輸出.

1.3 文本檢測網(wǎng)絡

當輸入的原始圖像進行背景修復時，網(wǎng)絡應提供精準的文本區(qū)域定位，保證背景修復的連貫性及非文本區(qū)域的完整性.由于背景修復是從粗糙背景生成器開始，因此文本檢測網(wǎng)絡和粗糙背景生成器共享一個主干網(wǎng)絡.

由于文本區(qū)域在一幅圖像上只占有較少的一部分，應使網(wǎng)絡著重關注于文本區(qū)域而非整幅圖像，特征提取過程中給文本區(qū)域賦予更高的權重，過濾噪聲信息.其次，文本區(qū)域的像素點一般都是連續(xù)出現(xiàn)，不會在非文本區(qū)域存在幾個孤立的文本像素點，所以需要過濾獨立噪聲.基于上述分析，本文在TAM的基礎上進一步改進，設計CAM，結構如圖3所示.

先將特征輸入TAM，自適應學習其中的紋理特征，得到Fout1.再進行自注意力學習，充分挖掘圖像中像素點之間的依賴關系，得到最終的特征輸出Fout2.具體過程如下.

將Fout1∈RC×H×W分別送入3個卷積核均為(1,1)、輸出通道數(shù)為C/16、C/16、C的特征空間Fk(x)、Fq(x)和Fv(x)：

Fk(x)=Wkx，F(xiàn)q(x)=Wqx，F(xiàn)v(x)=Wvx，

與此同時，特征圖Fout1經過特征空間Fv(x)與Bj,i構成的注意力權重矩陣相乘，得到注意力層的輸出：

其中Fv(x)表示輸入信息xi與權重矩陣Wv∈RC×H×W的乘積.

最后，將注意力層的輸出與比例系數(shù)ε相乘，并和輸入特征圖Fout1加權，得到最終輸出：

Fout2=εqi+Fout1，

其中ε的初始值為0.隨著網(wǎng)絡訓練的推進，注意力特征圖逐漸為文本區(qū)域分配更多的權重.

同樣，文本檢測網(wǎng)絡也借鑒FPN的思想，在上采樣過程中，將32×32、128×128、512×512的圖像分別送入CAM，用于增強圖像文本特征.再分別計算相應分辨率真值圖像和經過CAM輸出圖像的損失函數(shù).

圖3 CAM模塊結構

1.4 損失函數(shù)

1.4.1 生成對抗損失

GAN是訓練背景修復網(wǎng)絡的核心損失，本文采用SNGAN中譜歸一化的合頁損失函數(shù)(Hinge Loss).Hinge Loss可使GAN訓練更穩(wěn)定，并且額外的計算成本很少.具體公式如下：

LadvD=Ex～Pdata(x)[Max(1-D(x),0)]+
Ez～Pz(z)[Max(1+D(G(y,z)), 0)]，

LadvG=-Ez～Pz(z)[D(G(y,z))]，

其中，D表示判別器結構，G表示生成器結構，x表示網(wǎng)絡輸入，y表示網(wǎng)絡輸出，z表示相對應真值.

1.4.2 自適應紋理損失

為了使生成器可自適應地生成背景紋理，粗糙背景生成器在128×128、256×256、512×512的圖像上應用多尺度L1損失.為了防止監(jiān)督信息冗余，精致背景生成器只在512×512的圖像上應用L1損失.自適應紋理總體損失定義為

LG=LRBG+LEBG，

τ1=5，τ2=6，τ3=8，κ=0.8，ψ=10，ω=2.

1.4.3 文本檢測損失

對于文本檢測網(wǎng)絡的學習，由于文本區(qū)域經常在整幅圖像中只占部分區(qū)域，因此使用Dice損失函數(shù)[27]，使網(wǎng)絡在訓練過程中更側重于文本區(qū)域的挖掘.由于自然場景文本的特殊性，根據(jù)經驗在32×32、128×128、512×512的特征上進行多尺度特征損失計算，S為文本檢測網(wǎng)絡的輸出，(h,w)為像素值，則文本檢測損失函數(shù)定義為

1.4.4 內容風格損失

正如文獻[3]所述，不同的高級特征監(jiān)督學習對背景修復和文本檢測較有效，在高級特征中引入內容風格約束，可強制輸出圖像和對應的真值匹配.使用在ImageNet[28]上預訓練的VGG-16網(wǎng)絡提取輸出圖像和相應真值的特征，VGG-16在特征提取上具有較好的泛化性和擴展性.內容風格損失如下：

其中,Lcontent表示內容損失函數(shù)，Lstyle表示風格損失函數(shù)，Vi表示預訓練的VGG-16的第i個池化層，設置超參數(shù)η=0.05，ξ=120.

綜上所述，本文最終的損失函數(shù)為生成對抗損失、自適應紋理損失、文本檢測損失和內容風格損失之和，由于生成對抗網(wǎng)絡開始生成的圖像質量較差，導致總的損失函數(shù)為負.為了平衡網(wǎng)絡的訓練，設置生成對抗損失的權重為0.1，因此，最終損失函數(shù)定義為

Lfinal=0.1LadvG+LG+LTD+LCS.

2 實驗及結果分析

2.1 實驗細節(jié)

本文分別在2個代表性的場景文本擦除數(shù)據(jù)集SCUT-SYN和SCUT-EnsText上進行網(wǎng)絡訓練，分別在它們各自相應的測試集上進行評估.SCUT-SYN數(shù)據(jù)集的訓練集包含8 000幅圖像，測試集包含800幅圖像.數(shù)據(jù)集本身未提供文本區(qū)域的定位坐標，因此本文將訓練集上的圖像和對應的真值相減，之后將RGB圖像轉換成二值圖像，得到文本掩碼真值，根據(jù)經驗設置像素閾值為25，大于25定義為文本區(qū)域，小于25定義為非文本區(qū)域.SCUT-EnsText數(shù)據(jù)集的訓練集包含2 749幅圖像，測試集包含813幅圖像，本身提供文本區(qū)域的定位坐標.這2個數(shù)據(jù)集的圖像尺寸都為512×512.SCUT-EnsText數(shù)據(jù)集包含更多現(xiàn)實場景文本可能存在的復雜情況，如光線微弱、背景復雜、字體多變等，擦除難度更大.

訓練過程中按概率0.3隨機將圖像最大旋轉10°，進行數(shù)據(jù)增強.優(yōu)化器選用Adam(Adaptive Moment Estimation)，生成器網(wǎng)絡的學習率設置為0.000 1，判別器網(wǎng)絡的學習率設置為0.000 4，批尺寸設置為4.在顯卡TITAN RTX上單卡訓練.

2.2 評估指標

為了全面評估輸出圖像的質量，本文采用如下6種評價指標.

1)均方誤差(Mean Square Error, MSE)，計算兩幅圖像的均方誤差.圖像X∈(h,w)、Y∈(h,w)在像素點上的均方誤差為：

2)峰值信噪比(Peak Signal to Noise Ratio， PSNR).由于場景文本擦除技術在根本上是對比文本區(qū)域像素點的差別，而MSE對像素點細微變化并不敏感，因此PSNR可細致表達像素點之間的誤差，具體公式如下：

3)平均結構相似性(Mean Structural Similarity, MSSIM).主要從亮度、結構和對比度方面考查圖像的相似性，具體公式如下:

其中,l(X,Y)表示亮度，c(X,Y)表示結構,s(X,Y)表示對比度，uX表示圖像X像素點的均值，uY表示圖像Y像素點的均值，σX表示圖像X像素點的方差，σY表示圖像Y像素點的方差，σXY表示圖像X、Y關于像素點的協(xié)方差.為了防止分母為0，設置常數(shù)

c1=(0.01×255)2，c2=(0.03×255)2.

4)灰度像素平均值(AGE).表示兩幅圖像經過灰度處理后的平均誤差，具體公式如下：

其中，D(h,w)表示兩幅灰度圖像之間差值的絕對值，g(·)表示對彩色圖像進行灰度處理.

5)灰度像素百分比(pEPs).對比2幅圖像經過灰度處理后的錯誤像素百分比，當像素點誤差在20以內被認為是相同像素，誤差在20以外被認為是不同像素，具體公式如下：

6)灰度像素聚合百分比(pCEPs).在pEPs基礎上進一步優(yōu)化，當4個相鄰的像素點誤差都在20以外，認定該像素點是不同像素，否則是相同像素，具體公式如下：

D(h-1,w),D(h,w+1))，

在各項指標中：PSNR、MSSIM值越高，擦除性能越優(yōu)；MSE、AGE、pEPs、pCEPs值越低,擦除性能越優(yōu).

2.3 實驗結果對比

本次實驗選用如下對比方法：EraseNet(Erase Network)[3]、pix2pix[9]、STE[18]、EnsNet[20].在場景文本擦除的合成數(shù)據(jù)集SCUT-SYN和真實數(shù)據(jù)集SCUT-EnsText上對比各方法的指標值，結果如表1所示.在表中，EraseNet*為復現(xiàn)結果，其余結果直接引自相應文獻，黑體數(shù)字表示最優(yōu)值.

Isola等[9]提出pix2pix，使用cGAN作為圖像到圖像轉換問題的通用解決方案，雖然相比傳統(tǒng)方法在修復速度和效率上都有明顯提升，但是由于場景文本的特殊性，在SCUT-SYN數(shù)據(jù)集上的修復效果并不好，PSNR僅為26.76，MSSIM僅為 91.08%.Nakamura等[18]提出STE,將整幅圖像裁剪成各小塊再輸入訓練網(wǎng)絡中，使網(wǎng)絡可在小尺度上刪除文本區(qū)域，缺點是破壞圖像的全局上下文信息，導致擦除不全面.Zhang等[20]改進STE，提出EnsNet，首先在整幅圖像上進行端到端訓練，然后提出4個損失函數(shù)，確保非文本區(qū)域和文本區(qū)域的完整性，缺點是在網(wǎng)絡訓練時未利用文本的位置信息，導致網(wǎng)絡修復時不能準確定位文本位置.Liu等[3]在EnsNet的基礎上進一步優(yōu)化，提出EraseNet，在網(wǎng)絡訓練時加入文本位置信息，在生成器中使用兩次擦除，保證文本區(qū)域擦除得更干凈，缺點是在加入文本位置信息時，忽略場景文本的多尺度特性，在網(wǎng)絡訓練過程中未意識到文本區(qū)域和非文本區(qū)域在圖像中的紋理關系.本文的MASTR在訓練過程中有效結合多尺度特征和注意力機制，設計TAM和CAM.TAM從原始特征的通道和空間2個維度進行特征提取，自適應地集成局部特征與全局特征.CAM學習圖像中文本區(qū)域和非文本區(qū)域像素點之間的判別關系.同時，設計多尺度特征損失函數(shù)優(yōu)化這兩個模塊，增強網(wǎng)絡的感受野，提升處理不同尺度文本的能力.

由表1可見，MASTR在2個數(shù)據(jù)集上都達到最優(yōu).結果提升幅度較小的原因是，評估結果是在整幅圖像上，而文本區(qū)域往往在圖像中只占很少部分.

表1 各方法在2個數(shù)據(jù)集上的指標值對比

為了公平對比方法的推理速度，在SCUT-Ens-Text測試集上測試擦除速度，結果如表2所示.由表可見，MASTR仍是輕量級網(wǎng)絡，擦除一幅圖像需要47 ms，網(wǎng)絡參數(shù)僅占用內存19.74 M.

表2 各方法在SCUT-EnsText測試集上的擦除速度對比

2.4 消融實驗結果

為了驗證MASTR中TAM、CAM和多尺度特征損失的有效性，在SCUT-EnsText數(shù)據(jù)集上進行消融實驗，共進行6組對比實驗：1)Baseline[3].2)背景修復網(wǎng)絡使用TAM(記為Baseline*+TAM1).3)背景修復網(wǎng)絡和文本檢測網(wǎng)絡都使用TAM(記為Baseline*+TAM2).4)背景修復網(wǎng)絡使用TAM，文本檢測網(wǎng)絡使用CAM(記為Baseline*+TAM1+CAM1).5)背景修復網(wǎng)絡和文本檢測網(wǎng)絡都使用CAM(記為Baseline*+CAM2).6)MASTR.

各方法消融實驗結果如表3所示，表中黑體數(shù)字為最優(yōu)值，Baseline*為復現(xiàn)結果.相關可視化結果如圖4所示.

表3 各方法在SCUT-EnsText數(shù)據(jù)集上的消融實驗結果

對比Baseline和Baseline*+TAM1，在背景修復網(wǎng)絡中使用TAM后，各指標值均有所提高，表明TAM可有效學習通道和空間2個維度上的特征，自適應集成局部特征與全局特征，有效提升背景修復效果.圖4的可視化結果也直接驗證TAM的有效性.

對比Baseline*+TAM1和Baseline*+TAM1+CAM1，可驗證CAM的有效性.通過學習圖像中文本區(qū)域和非文本區(qū)域像素點之間的判別關系，提升檢測模型的文本檢測效果.圖4的可視化結果也表明，基于CAM的方法對于Baseline中未擦除干凈的小區(qū)域文本更有效.

對比Baseline*+TAM1+CAM1和MASTR可看出，使用多尺度特征損失在紋理細節(jié)特征表示、多尺度文本擦除方面表現(xiàn)更優(yōu)，擦除后的圖像更完整，細節(jié)特征更清晰，提升模型處理不同尺度文本的能力.

為了驗證CAM和TAM的獨特性，本文嘗試使用CAM替換TAM或使用TAM替換CAM.由表3可看出，替換后的精度都有所下降，圖4的可視化結果中替換后的擦除效果也較差.當CAM替換TAM后，由于文本檢測網(wǎng)絡不能學習像素點之間的特征關系，檢測效果減弱.當TAM替換CAM后，單方面的加深網(wǎng)絡并不能提升擦除效果，反而破壞圖像的空間信息.因此，通過消融實驗可看出MASTR的有效性和獨特性.

(a)輸入圖像 (b)真值 (c)Baseline*

(d)Baseline*+TAM1

(g)Baseline*+CAM2 (h)MASTR

2.5 可視化分析

MASTR在SCUT-EnsText真實數(shù)據(jù)集上修復文本區(qū)域的結果如圖5所示，圖中MASTR_text為場景文本檢測網(wǎng)絡的輸出.MASTR更有利于修復文字大小適中、背景和前景顏色容易區(qū)分、背景顏色為純色的圖像，如圖5中第1幅～第3幅圖像所示.第4幅圖像中文本區(qū)域周圍紋理較復雜，導致文本檢測網(wǎng)絡無法準確定位文字輪廓，并且周圍背景過于復雜，導致背景修復網(wǎng)絡無法修復與周圍背景區(qū)域相似的紋理.在第5幅圖像中，MASTR對藝術字體檢測不全，導致文本擦除不全，主要由于訓練模型時，訓練集并未包含與之對應的藝術字體，導致網(wǎng)絡檢測失敗.在第6幅圖像中，MASTR檢測到文本區(qū)域，但大尺寸的文字會導致背景修復網(wǎng)絡產生很差的修復效果，主要是因為背景修復網(wǎng)絡的感受野不足.

(a)輸入圖像

(b)真值

(c)MASTR

(d)MASTR_text

2.6 泛化性能

為了驗證MASTR的泛化性，使用ICDAR-2013測試集[1]測試MASTR的擦除性能.由于此數(shù)據(jù)集沒有擦除后的真值圖像，因此對擦除后的圖像使用在SynText、ICDAR-2013、MLT-2017數(shù)據(jù)集上的預訓練模型CRAFT(Character Region Awareness for Text Detection)[29]進行文本檢測，檢測的文本框越少，表明MASTR擦除文本的性能越優(yōu).具體泛化結果如表4所示，表中黑體數(shù)字為最優(yōu)值，Baseline*為復現(xiàn)結果，其余結果直接引自原文獻，Original images表示文本擦除前ICDAR-2013測試集上的評估結果.由表4可知，MASTR泛化性能最優(yōu).

表4 各方法在ICDAR-2013數(shù)據(jù)集上的泛化實驗結果

MASTR在ICDAR-2013測試集上的擦除結果如圖8所示，每組圖像左邊為原圖，右邊為擦除后圖像經過CRAFT文本檢測網(wǎng)絡后的輸出，紅色邊框表示CRAFT文本檢測網(wǎng)絡檢測的文本框.

圖6 MASTR在ICDAR-2103數(shù)據(jù)集上泛化性能的可視化

3 結 束 語

本文提出基于多尺度注意力機制的場景文本擦除框架(MASTR).在文本檢測網(wǎng)絡中設計上下文感知模塊，更好地學習圖像中文本區(qū)域和非文本區(qū)域像素點之間的判別特征，增強網(wǎng)絡的文本檢測性能.同時在背景修復網(wǎng)絡中設計紋理自適應模塊，從原始特征的通道和空間2個維度進行特征提取，有效修復因重構文本區(qū)域而導致的陰影部分.此外，在文本檢測網(wǎng)絡和背景修復網(wǎng)絡中分別計算多尺度特征損失，有效增強網(wǎng)絡感受野，加強網(wǎng)絡對不同尺度文本的檢測和擦除.在SCUT-SYN、SCUT-EnsText數(shù)據(jù)集上的實驗表明，MASTR擦除效果較優(yōu).

今后可從兩個方向著手進行改進：1)提出更有效、精準的擦除模型，使網(wǎng)絡學習更具體、細致的紋理，更有效地檢測多尺度文本區(qū)域并進行擦除.2)提高網(wǎng)絡的訓練速度，快速、有效地訓練網(wǎng)絡，更好地運用于現(xiàn)實場景.