论文页面 - 通过像素空间分组图像生成实现场景文本高效精修

来源：https://huggingface.co/papers/2610.18284

摘要

生成图像通常具有连贯的布局和视觉内容，但小字号文本和复杂字形中的局部错误仍然限制了其可读性和实用性。场景文本精修要求准确性、内容保持性和高效性。现有的基于变分自编码器（VAE）的方法在重建过程中可能会丢失精细笔画，而整图编辑则可能改变背景颜色。在本工作中，我们提出了 PixText，一个将局部文本精修表述为像素空间分组图像生成的模型。以原始图像为条件，PixText 仅生成目标区域，保留未编辑的内容，并使用 MeanFlow 实现四步生成。我们进一步提出了 TextRefinementBench，用于评估生成图像中的文本修正效果和图像保持效果。在该基准上，PixText 取得了 83.06% 的字形通过率和 94.66% 的目标字符精确 OCR 准确率，而最强基线仅为 36.77% 和 52.31%。其四步 MeanFlow 变体在保持 81.84% 通过率的同时，每张图像的摊销生成成本不到一 GPU 秒。

查看 arXiv 页面 (https://arxiv.org/abs/2610.18284)　查看 PDF (https://arxiv.org/pdf/2610.18284)　加入收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2610.18284)

在您的 agent 中获取本文：

hf papers read 2610.18284

没有最新版 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用本文的模型 0

暂无模型与本文关联

在模型的 README.md 中引用 arxiv.org/abs/2610.18284，即可在此页面建立关联。

引用本文的数据集 0

暂无数据集与本文关联

在数据集的 README.md 中引用 arxiv.org/abs/2610.18284，即可在此页面建立关联。

引用本文的 Space 0

暂无 Space 与本文关联

在 Space 的 README.md 中引用 arxiv.org/abs/2610.18284，即可在此页面建立关联。

包含本文的收藏夹 0

暂无收藏夹收录本文

将本文加入收藏夹 (https://huggingface.co/new-collection)，即可在此页面建立关联。