TextDS: Parameter-Efficient Representation Alignment for Scene Text Detection under Distribution Shifts

📄 arXiv: 2606.28077v1 📥 PDF

作者: Boyuan Chen, Zichen Dang, Chuang Yang, Lap-pui Chau, Yi Wang

分类: cs.CV

发布日期: 2026-06-26

备注: Accepted by ECCV 2026. Project page: https://github.com/ZChenDang/TextDS

💡 一句话要点

提出TextDS以解决场景文本检测中的分布转移问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 场景文本检测 分布转移 低秩适应 双编码器 鲁棒性 特征融合 计算效率

📋 核心要点

  1. 现有方法在处理分布转移时，往往依赖于大规模的预训练，导致在真实场景中的适应性不足。
  2. 论文提出TextDS框架，通过双编码器设计和逐步低秩适应，减少对大规模预训练的依赖，提升特征适应能力。
  3. 实验结果显示，TextDS在多个不利成像条件下表现出色，且仅需4.9M可训练参数，展现出良好的跨域鲁棒性。

📝 摘要（中文）

在实际应用中，场景文本检测器不可避免地面临超出训练分布的分布转移。以往的研究通常依赖于大规模的场景文本预训练，但在跨域变化和真实世界成像退化下的评估仍然有限。我们提出了TextDS，一个高效的场景文本检测框架，首先提出了一种数据高效的双编码器设计，消除了对大规模场景文本预训练的依赖。其次，引入了逐步低秩适应（SWLoRA），通过动态早退出机制进行有效的特征适应。最后，提出了共同子空间融合（CSF），在共享子空间中对两个分支进行对齐和融合，同时保留互补的、抗转移的信息。实验表明，TextDS在场景文本检测中表现出竞争力，展示了在仅4.9M可训练参数下的跨域和不利成像条件下的鲁棒性。

🔬 方法详解

问题定义：本论文旨在解决场景文本检测中由于分布转移导致的性能下降问题。现有方法通常依赖于大规模的场景文本预训练，限制了其在真实世界应用中的有效性。

核心思路：论文提出的TextDS框架通过双编码器设计和逐步低秩适应（SWLoRA）来提高特征的适应性，减少对大规模预训练的依赖，从而增强模型在不同分布下的鲁棒性。

技术框架：TextDS的整体架构包括双编码器设计、SWLoRA适应机制和共同子空间融合（CSF）。双编码器负责提取视觉特征，SWLoRA进行特征的低秩适应，而CSF则用于对齐和融合两个分支的信息。

关键创新：最重要的创新点在于SWLoRA和CSF的结合，SWLoRA通过动态早退出机制实现逐步适应，而CSF则确保了信息的有效融合与对齐，这些设计使得模型在面对分布转移时更具鲁棒性。

关键设计：在参数设置上，TextDS仅需4.9M可训练参数，且采用了动态早退出机制以提高计算效率。损失函数和网络结构经过精心设计，以确保特征的有效适应与融合。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，TextDS在多个不利成像条件下的场景文本检测任务中表现优异，相较于基线方法，性能提升显著，且仅需4.9M的可训练参数，展示了其高效性与鲁棒性。

🎯 应用场景

该研究的潜在应用领域包括智能监控、自动驾驶、增强现实等场景文本识别任务。通过提高模型在不同成像条件下的鲁棒性，TextDS能够在复杂环境中实现更高效的文本检测，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

In real-world deployments, scene text detectors inevitably face distribution shifts beyond the training distribution. Prior work often depends on large-scale scene-text pretraining, yet evaluation under cross-domain changes and real-world imaging degradations remains limited. We propose TextDS, an efficient framework for scene text detection under distribution shifts. First, we propose a data-efficient dual-encoder design with visual foundation models, eliminating the reliance on large-scale scene-text pretraining. Second, we introduce Step-wise LoRA adaptation (SWLoRA), which performs progressive low-rank refinement with a dynamic early-exit mechanism for effective feature adaptation. Third, we propose Common Subspace Fusion (CSF) to align and fuse the two branches in a shared subspace while retaining complementary, shift-robust information. Finally, we construct adverse-condition scene text detection datasets to address the gap in evaluating under imaging degradation. Experiments show that TextDS achieves competitive performance in scene text detection, demonstrating robustness across domains and adverse imaging conditions with only 4.9M trainable parameters.