CV君 2025-07-30 18:10 江苏

用手机拍摄文档时，由于角度和纸张弯曲，图像往往会产生烦人的几何畸变，严重影响后续的文字识别（OCR）效果。现有的文档图像校正方法致力于“拉平”这些图像，但常常忽略了一个核心要素：文档的前景内容（如文本行、表格线）本身就是最完美的校正参照物。

针对这一问题，来自奇虎科技、格灵深瞳和帝国理工学院的研究者们提出了一个以前景为中心的网络（ForCenNet）。该方法将模型的“注意力”牢牢锁定在前景元素上，通过创新的标签生成、掩码机制和曲率损失，精准地理解和逆转几何畸变。凭借这一核心思想，ForCenNet在四大主流真实世界基准测试中全面刷新了SOTA记录。该工作已被计算机视觉顶会ICCV 2025接收。

论文标题: ForCenNet: Foreground-Centric Network for Document Image Rectification

作者: Peng Cai, Qiang Li, Kaicheng Yang, Dong Guo, Jia Li, Nan Zhou, Xiang An, Ninghua Yang, Jiankang Deng

机构: 奇虎科技；格灵深瞳；帝国理工学院

论文地址: https://arxiv.org/pdf/2507.19804v1

项目地址: https://github.com/caipeng328/ForCenNet

录用会议: ICCV 2025

研究背景与意义

文档图像校正，就是要把一张拍“歪”了的文档图片，通过算法恢复成一张像扫描仪扫出来一样平整的图片。这项技术是文档智能分析流程中的关键预处理步骤。

然而，许多现有方法在预测整个图像的变形场时，对所有像素“一视同仁”，没有充分利用文档图像的结构先验。实际上，文本行和表格边框这些前景元素，它们在理想状态下本应是直线。这些元素的弯曲程度和方向，直接揭示了文档的几何畸变信息。忽略这些关键线索，就像在没有参照物的情况下凭空想象如何把一张纸铺平，效果自然受限。

ForCenNet的核心思想就是：校正任务应该由前景来主导。

ForCenNet：三位一体的前景中心化设计

ForCenNet的整体架构如下图所示，其创新之处主要体现在三个“以前景为中心”的设计上：

1. 以前景为中心的标签生成（Foreground-Centric Label Generation）

为了让模型学会关注前景，首先需要为它提供精确的“学习资料”。研究者提出了一种方法，从平整、无畸变的原始文档图像中，自动提取出详细的前景元素（包括文本行、表格线等）作为监督标签。这样，模型在训练时就能明确知道需要重点关注哪些区域。

2. 以前景为中心的掩码机制（Foreground-Centric Mask Mechanism）

在模型内部，研究者引入了一个前景掩码（Foreground Mask）。这个掩码的作用类似于给模型戴上了一副“特殊眼镜”，让它能够清晰地区分出包含文字和线条的可读区域与空白的背景区域。通过这种方式，模型可以将更多的计算资源和注意力集中在对校正起决定性作用的前景上。

中间层结果可视化：从左至右为输入图像、预测的前景掩码、前景注意力图和最终校正结果

3. 曲率一致性损失（Curvature Consistency Loss）

这是ForCenNet最巧妙的设计之一。对于弯曲的文本行或表格线，其“弯曲的程度”（即曲率）蕴含了丰富的几何畸变信息。研究者设计了一种新的损失函数，它直接对前景线条的曲率进行监督。该损失函数要求模型预测的变形场，在作用于弯曲的前景线后，能使其曲率尽可能变为零（即恢复成直线）。这相当于给了模型一个非常直观的几何约束，帮助它更精准地理解和还原复杂的空间扭曲。