Buchumschlag

CLIP4STR: A Simple Baseline for Scene Text Recognition with Pre-trained Vision-Language Model

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhao, Shuai, Quan, Ruijie, Zhu, Linchao, Yang, Yi
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Test-Time Adaptation with CLIP Reward for Zero-Shot Generalization in Vision-Language Models
von: Zhao, Shuai, et al.
Veröffentlicht: (2023)

MDiff4STR: Mask Diffusion Model for Scene Text Recognition
von: Du, Yongkun, et al.
Veröffentlicht: (2025)

AudioScenic: Audio-Driven Video Scene Editing
von: Shen, Kaixin, et al.
Veröffentlicht: (2024)

EventSTR: A Benchmark Dataset and Baselines for Event Stream based Scene Text Recognition
von: Wang, Xiao, et al.
Veröffentlicht: (2025)

Shape2Scene: 3D Scene Representation Learning Through Pre-training on Shape Data
von: Feng, Tuo, et al.
Veröffentlicht: (2024)

Decoder Pre-Training with only Text for Scene Text Recognition
von: Zhao, Shuai, et al.
Veröffentlicht: (2024)

IndicSTR12: A Dataset for Indic Scene Text Recognition
von: Lunia, Harsh, et al.
Veröffentlicht: (2024)

MaskedCLIP: Bridging the Masked and CLIP Space for Semi-Supervised Medical Vision-Language Pre-training
von: Zhu, Lei, et al.
Veröffentlicht: (2025)

DiffSTR: Controlled Diffusion Models for Scene Text Removal
von: Pathak, Sanhita, et al.
Veröffentlicht: (2024)

Self-Supervised Pre-training with Symmetric Superimposition Modeling for Scene Text Recognition
von: Gao, Zuan, et al.
Veröffentlicht: (2024)

Slimmable Networks for Contrastive Self-supervised Learning
von: Zhao, Shuai, et al.
Veröffentlicht: (2022)

ToxicTextCLIP: Text-Based Poisoning and Backdoor Attacks on CLIP Pre-training
von: Yao, Xin, et al.
Veröffentlicht: (2025)

FLUX-Text: A Simple and Advanced Diffusion Transformer Baseline for Scene Text Editing
von: Lan, Rui, et al.
Veröffentlicht: (2025)

Endo-CLIP: Progressive Self-Supervised Pre-training on Raw Colonoscopy Records
von: He, Yili, et al.
Veröffentlicht: (2025)

DGL: Dynamic Global-Local Prompt Tuning for Text-Video Retrieval
von: Yang, Xiangpeng, et al.
Veröffentlicht: (2024)

3D Scene Graph Guided Vision-Language Pre-training
von: Liu, Hao, et al.
Veröffentlicht: (2024)

Bridging Synthetic and Real Worlds for Pre-training Scene Text Detectors
von: Guan, Tongkun, et al.
Veröffentlicht: (2023)

HQ-CLIP: Leveraging Large Vision-Language Models to Create High-Quality Image-Text Datasets and CLIP Models
von: Wei, Zhixiang, et al.
Veröffentlicht: (2025)

STR-Cert: Robustness Certification for Deep Text Recognition on Deep Learning Pipelines and Vision Transformers
von: Shao, Daqian, et al.
Veröffentlicht: (2023)

Xmodel-VLM: A Simple Baseline for Multimodal Vision Language Model
von: Xu, Wanting, et al.
Veröffentlicht: (2024)

TextBlockV2: Towards Precise-Detection-Free Scene Text Spotting with Pre-trained Language Model
von: Lyu, Jiahao, et al.
Veröffentlicht: (2024)

GaitSTR: Gait Recognition with Sequential Two-stream Refinement
von: Zheng, Wanrong, et al.
Veröffentlicht: (2024)

Vision Model Pre-training on Interleaved Image-Text Data via Latent Compression Learning
von: Yang, Chenyu, et al.
Veröffentlicht: (2024)

Continual Forgetting for Pre-trained Vision Models
von: Zhao, Hongbo, et al.
Veröffentlicht: (2024)

Unified Generation and Self-Verification for Vision-Language Models via Advantage Decoupled Preference Optimization
von: Qiu, Xinyu, et al.
Veröffentlicht: (2026)

Ultrasound-CLIP: Semantic-Aware Contrastive Pre-training for Ultrasound Image-Text Understanding
von: Jin, Jiayun, et al.
Veröffentlicht: (2026)

MMCOMPOSITION: Revisiting the Compositionality of Pre-trained Vision-Language Models
von: Hua, Hang, et al.
Veröffentlicht: (2024)

Can LLM-Generated Text Empower Surgical Vision-Language Pre-training?
von: Che, Chengan, et al.
Veröffentlicht: (2026)

SuperCLIP: CLIP with Simple Classification Supervision
von: Zhao, Weiheng, et al.
Veröffentlicht: (2025)

DriveWorld: 4D Pre-trained Scene Understanding via World Models for Autonomous Driving
von: Min, Chen, et al.
Veröffentlicht: (2024)

DOFA-CLIP: Multimodal Vision-Language Foundation Models for Earth Observation
von: Xiong, Zhitong, et al.
Veröffentlicht: (2025)

A Simple Aerial Detection Baseline of Multimodal Language Models
von: Li, Qingyun, et al.
Veröffentlicht: (2025)

MC-Bench: A Benchmark for Multi-Context Visual Grounding in the Era of MLLMs
von: Xu, Yunqiu, et al.
Veröffentlicht: (2024)

Enhancing Vision-Language Pre-training with Rich Supervisions
von: Gao, Yuan, et al.
Veröffentlicht: (2024)

Autonomous LLM-Enhanced Adversarial Attack for Text-to-Motion
von: Miao, Honglei, et al.
Veröffentlicht: (2024)

Combating Label Noise With A General Surrogate Model For Sample Selection
von: Liang, Chao, et al.
Veröffentlicht: (2023)

SVIPTR: Fast and Efficient Scene Text Recognition with Vision Permutable Extractor
von: Cheng, Xianfu, et al.
Veröffentlicht: (2024)

WikiCLIP: An Efficient Contrastive Baseline for Open-domain Visual Entity Recognition
von: Ning, Shan, et al.
Veröffentlicht: (2026)

$β$-CLIP: Text-Conditioned Contrastive Learning for Multi-Granular Vision-Language Alignment
von: Zohra, Fatimah, et al.
Veröffentlicht: (2025)

TAP-VL: Text Layout-Aware Pre-training for Enriched Vision-Language Models
von: Fhima, Jonathan, et al.
Veröffentlicht: (2024)