{"notes":[{"id":"text-recognition/abinet","category":"text-recognition","legacyPath":"text-recognition/2103-abinet","legacySlug":"2103-abinet","legacyPaths":[],"title":"ABINet","subtitle":"Et si on y réfléchissait encore ?","author":"Z. Yuan","paperDate":"2021-03-11","publishedOn":"2024-11-04","paperTitle":"Read Like Humans: Autonomous, Bidirectional and Iterative Language Modeling for Scene Text Recognition","paperUrl":"https://arxiv.org/abs/2103.06495","bibliography":{"title":"Read Like Humans: Autonomous, Bidirectional and Iterative Language Modeling for Scene Text Recognition","authors":["Shancheng Fang","Hongtao Xie","Yuxin Wang","Zhendong Mao","Yongdong Zhang"],"url":"https://arxiv.org/abs/2103.06495","pdfUrl":"https://arxiv.org/pdf/2103.06495","codeUrl":null,"preprint":{"id":"2103.06495","submittedOn":"2021-03-11","url":"https://arxiv.org/abs/2103.06495"},"publication":{"venue":"CVPR","year":2021,"kind":"conference","url":"https://arxiv.org/abs/2103.06495"},"citation":"@misc{textrecognitionabinet2021,\n  title = {{Read Like Humans: Autonomous, Bidirectional and Iterative Language Modeling for Scene Text Recognition}},\n  author = {Shancheng Fang and Hongtao Xie and Yuxin Wang and Zhendong Mao and Yongdong Zhang},\n  year = {2021},\n  eprint = {2103.06495},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/2103.06495}\n}\n","citationPath":"/content/papers/citations/text-recognition/abinet.73bc0bb60d4e.bib"},"thumbnail":{"src":"/content/papers/assets/dd3f71609a9aed29caa0b237880c58e2582197f57faa202b18ed16033f22d0b0.jpg","width":1706,"height":694},"locale":"fr","path":"/content/papers/fr/text-recognition/abinet.a27856e76896.md","headings":[{"id":"définition-du-problème","text":"Définition du problème","depth":2},{"id":"résolution-du-problème","text":"Résolution du problème","depth":2},{"id":"modèle-visuel","text":"Modèle visuel","depth":3},{"id":"modèle-de-langue","text":"Modèle de langue","depth":3},{"id":"détails-de-mise-en-œuvre","text":"Détails de mise en œuvre","depth":3},{"id":"discussion","text":"Discussion","depth":2},{"id":"comparaison-avec-les-autres-méthodes","text":"Comparaison avec les autres méthodes","depth":3},{"id":"ablation-du-modèle-visuel","text":"Ablation du modèle visuel","depth":3},{"id":"ablation-du-modèle-de-langue","text":"Ablation du modèle de langue","depth":3},{"id":"ablation-de-la-bidirectionnalité","text":"Ablation de la bidirectionnalité","depth":3},{"id":"voir-ce-que-prédit-bcn","text":"Voir ce que prédit BCN","depth":3},{"id":"conclusion","text":"Conclusion","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"text-recognition/seed","relation":"comparison","topic":"Utiliser le contexte linguistique en reconnaissance de texte"}]},{"id":"text-recognition/seed","category":"text-recognition","legacyPath":"text-recognition/2005-seed","legacySlug":"2005-seed","legacyPaths":[],"title":"SEED","subtitle":"La graine du langage","author":"Z. Yuan","paperDate":"2020-05-22","publishedOn":"2024-11-09","paperTitle":"SEED: Semantics Enhanced Encoder-Decoder Framework for Scene Text Recognition","paperUrl":"https://arxiv.org/abs/2005.10977","bibliography":{"title":"SEED: Semantics Enhanced Encoder-Decoder Framework for Scene Text Recognition","authors":["Zhi Qiao","Yu Zhou","Dongbao Yang","Yucan Zhou","Weiping Wang"],"url":"https://arxiv.org/abs/2005.10977","pdfUrl":"https://arxiv.org/pdf/2005.10977","codeUrl":null,"preprint":{"id":"2005.10977","submittedOn":"2020-05-22","url":"https://arxiv.org/abs/2005.10977"},"publication":{"venue":"CVPR","year":2020,"kind":"conference","url":"https://arxiv.org/abs/2005.10977"},"citation":"@misc{textrecognitionseed2020,\n  title = {{SEED: Semantics Enhanced Encoder-Decoder Framework for Scene Text Recognition}},\n  author = {Zhi Qiao and Yu Zhou and Dongbao Yang and Yucan Zhou and Weiping Wang},\n  year = {2020},\n  eprint = {2005.10977},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/2005.10977}\n}\n","citationPath":"/content/papers/citations/text-recognition/seed.e2689e3c957c.bib"},"thumbnail":{"src":"/content/papers/assets/8592487550270e392307478d6a0274ab54b2ab602f077b32b5bc63cfbeec32a0.jpg","width":964,"height":736},"locale":"fr","path":"/content/papers/fr/text-recognition/seed.491a3480311d.md","headings":[{"id":"définition-du-problème","text":"Définition du problème","depth":2},{"id":"résolution-du-problème","text":"Résolution du problème","depth":2},{"id":"architecture-du-modèle","text":"Architecture du modèle","depth":3},{"id":"modèle-de-langage-préentraîné","text":"Modèle de langage préentraîné","depth":3},{"id":"fonction-de-perte","text":"Fonction de perte","depth":3},{"id":"détails-de-mise-en-œuvre","text":"Détails de mise en œuvre","depth":3},{"id":"discussion","text":"Discussion","depth":2},{"id":"comparaison-avec-les-méthodes-récentes","text":"Comparaison avec les méthodes récentes","depth":3},{"id":"résultats-visualisés","text":"Résultats visualisés","depth":3},{"id":"conclusion","text":"Conclusion","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"text-recognition/abinet","relation":"comparison","topic":"Utiliser le contexte linguistique en reconnaissance de texte"}]}],"text":"La reconnaissance visuelle semble atteindre ses limites. Les chercheurs commencent à se demander comment faire lire le texte aux modèles un peu plus comme nous.\n\n## Définition du problème\n\nBeaucoup de travaux reconnaissent le texte à partir de ses seules caractéristiques visuelles. Mais si les lettres sont floues, occultées ou déformées, ces indices sont abîmés et le modèle peine à retrouver le mot.\n\nPour l'aider, on a commencé à intégrer un modèle de langue.\n\nImaginons un mot brouillé : APP?E. Le contexte linguistique peut nous aider à comprendre qu'il s'agit d'`APPLE`.\n\nLes auteurs retiennent trois idées sur la lecture humaine :\n\n1. **Autonomie (*Autonomous*)** : la vision et le langage peuvent s'apprendre séparément ; le langage peut ensuite aider à lire ce que la vision perçoit.\n2. **Bidirectionnalité (*Bidirectional*)** : le contexte à gauche et à droite permet d'inférer une lettre peu lisible.\n3. **Itération (*Iterative*)** : on peut revoir plusieurs fois une hypothèse et la corriger peu à peu.\n\nSi nous pouvons lire ainsi, pourquoi un modèle n'en ferait-il pas autant ?\n\n1. **Autonomie** : modéliser séparément les caractéristiques visuelles et linguistiques du texte.\n2. **Bidirectionnalité** : apprendre avec une tâche de texte à trous exploitant les deux côtés du contexte.\n3. **Itération** : corriger plusieurs fois les lettres prédites.\n\nL'idée et ses principes sont posés. Reste à montrer qu'ils fonctionnent !\n\n## Résolution du problème\n\nLes auteurs proposent une nouvelle architecture de reconnaissance : **ABINet**.\n\nCommençons par sa partie visuelle.\n\n### Modèle visuel\n\n\n\n![Visual Model](/content/papers/assets/04addfa93915e9c31cb0d622433d764af40f09acba5bdf06405217e87e92949e.jpg)\n\n\n\nLe modèle visuel suit une recette connue : un ResNet extrait les caractéristiques, puis un Transformer en modélise la séquence. Pour une image $x$, on obtient :\n\n$$\nF_b = \\tau(R(x)) \\in \\mathbb{R}^{\\frac{H}{4} \\times \\frac{W}{4} \\times C}\n$$\n\noù $H$ et $W$ sont les dimensions de l'image, et $C$ la dimension des caractéristiques.\n\nLe module d'attention de position lit en parallèle $F_b$ et produit les caractéristiques $F_v$ des positions des caractères. Une couche linéaire et une softmax les convertissent ensuite en probabilités de caractères :\n\n$$\nF_v = \\text{softmax}\\left(\\frac{QK^T}{\\sqrt{C}}\\right)V\n$$\n\n**$Q \\in \\mathbb{R}^{T \\times C}$** contient les encodages positionnels utilisés comme requêtes pour les $T$ positions de la sortie. $C$ reste la dimension des caractéristiques.\n\n**$K = G(F_b) \\in \\mathbb{R}^{\\frac{HW}{16} \\times C}$** est la matrice des clés, produite par $G(\\cdot)$ à partir de $F_b$ pour aligner les requêtes aux positions de l'image.\n\n$G(\\cdot)$ est un petit U-Net (*mini U-Net*) qui construit ces clés tout en conservant l'organisation spatiale. $F_b$ représente les caractéristiques visuelles, avec $H$ et $W$ pour les dimensions de l'image.\n\nLa longueur spatiale de $K$ est $HW/16$, tandis que celle de $Q$ est $T$ ; seule leur dimension commune $C$ doit correspondre.\n\n**$V = H(F_b) \\in \\mathbb{R}^{\\frac{HW}{16} \\times C}$** contient les valeurs obtenues à partir de $F_b$. Ici, $H(\\cdot)$ est l'identité : les caractéristiques sont transmises sans transformation supplémentaire. $V$ a donc la même longueur spatiale et la même dimension $C$ que $K$.\n\n\n> [!TIP]\n> \n> En bref : des requêtes positionnelles extraient dans l'image une représentation pour chaque caractère attendu. Cette représentation est ensuite transformée en probabilité de prédiction.\n\n\n### Modèle de langue\n\n![ABINet](/content/papers/assets/dd3f71609a9aed29caa0b237880c58e2582197f57faa202b18ed16033f22d0b0.jpg)\n\nAprès la vision, les auteurs raccordent un modèle de langue. Quatre stratégies sont à retenir :\n\n1. **Stratégie autonome (*Autonomous Strategy*)** :\n\n   Dans la figure, le modèle de langue est un correcteur orthographique indépendant. Il reçoit des vecteurs de probabilités sur les caractères et prédit les probabilités des caractères attendus. Il peut ainsi être préentraîné sur du texte non annoté, devenir un module distinct plus facile à examiner et, au besoin, être remplacé.\n\n   Pour assurer cette autonomie, les auteurs bloquent le flux de gradient à l'entrée du modèle de langue (*blocking gradient flow*, BGF). La perte linguistique ne peut donc pas remonter au modèle visuel par les probabilités d'entrée ; le modèle de langue doit apprendre les régularités du texte.\n\n   Cette séparation permet de profiter de techniques de traitement automatique des langues, y compris d'un modèle préentraîné capable de recevoir des probabilités de caractères.\n\n2. **Stratégie bidirectionnelle (*Bidirectional Strategy*)** :\n\n\n\n    ![Bidirectional Strategy](/content/papers/assets/3f8595df860b16b202c42301bf760388038bdf0ba91c596971bc9d55e7d94fda.jpg)\n\n\n\n   Les probabilités conditionnelles bidirectionnelle et unidirectionnelle s'écrivent respectivement $P(y_i | y_n, \\dots, y_{i+1}, y_{i-1}, \\dots, y_1)$ et $P(y_i | y_{i-1}, \\dots, y_1)$. La première exploite davantage de contexte.\n\n   Le modèle de langue masqué de BERT remplace par `[MASK]` le caractère $y_i$ à prédire. L'appliquer directement à chaque position d'un mot demanderait toutefois $n$ masquages successifs. Les auteurs proposent donc le réseau bidirectionnel à trous BCN (*Bidirectional Cloze Network*) pour obtenir ces prédictions plus efficacement.\n\n   BCN reprend l'architecture de décodeur Transformer, mais modifie l'endroit où entrent les vecteurs de caractères : ils alimentent directement les blocs d'attention multi-têtes. Un masque spécial empêche chaque position de « se voir elle-même » et de divulguer la réponse.\n\n   Ce n'est pas une auto-attention ordinaire : à chaque couche, les clés et les valeurs proviennent des probabilités de caractères de l'entrée ; les requêtes viennent des encodages positionnels ou de la sortie de la couche précédente. Cela évite que la lettre recherchée ne fuite d'une couche à l'autre. Le masque $M$ est :\n\n   $$\n   M_{ij} =\n   \\begin{cases}\n     0, & i \\neq j \\\\\n     -\\infty, & i = j\n   \\end{cases}\n   $$\n\n   $K_i = V_i = P(y_i) W_l$, avec $P(y_i) \\in \\mathbb{R}^c$ pour la distribution du caractère $y_i$, et $W_l \\in \\mathbb{R}^{c \\times C}$ pour la projection linéaire.\n\n   L'attention multi-têtes est calculée par :\n\n   $$\n   F_{\\text{mha}} = \\text{softmax}\\left(\\frac{QK^T}{\\sqrt{C}} + M\\right)V\n   $$\n\n   À la première couche, $Q \\in \\mathbb{R}^{T \\times C}$ représente les positions des caractères ; aux couches suivantes, il vient de la sortie précédente. $K, V \\in \\mathbb{R}^{T \\times C}$ sont les projections des probabilités $P(y_i)$.\n\n   Grâce à ce masque de type texte à trous, BCN peut apprendre des relations dans les deux sens et mieux saisir le contexte complet qu'un modèle unidirectionnel.\n\n\n> [!TIP]\n> \n> Deux points à retenir :\n> \n> 1. BCN utilise un décodeur sans masque causal et prédit les positions en parallèle.\n> 2. Il n'utilise pas `[MASK]` à chaque position : la diagonale du masque d'attention vaut $-\\infty$, ce qui évite les masquages répétés.\n\n\n3. **Stratégie itérative (*Iterative Strategy*)** :\n\n   Les auteurs proposent de corriger plusieurs fois une prédiction pour atténuer le bruit transmis par le modèle visuel au Transformer parallèle. Au premier tour, $y_{i_1}$ vient des probabilités visuelles ; aux tours suivants, $y_{i \\geq 2}$ est la prédiction fusionnée du tour précédent.\n\n\n> [!TIP]\n> \n> « Itératif » signifie que **le même** modèle de langue et le même module de fusion sont réutilisés plusieurs fois, chaque tour lisant la sortie fusionnée précédente. Il ne s'agit pas simplement d'empiler davantage de couches Transformer.\n\n\n4. **Fusion**\n\n   Le modèle visuel est entraîné sur des images, le modèle de langue sur du texte : leurs caractéristiques proviennent donc de deux modalités différentes. Une fusion doit les combiner et régler l'influence de chacune. Les auteurs choisissent une porte (*gated mechanism*).\n\n   Ils concatènent $F_v$ et $F_l$, puis projettent le résultat avec $W_f \\in \\mathbb{R}^{2C \\times C}$ pour revenir à la dimension de chaque branche.\n\n   Le vecteur de porte $G$ est calculé par :\n\n   $$\n   G = \\sigma([F_v, F_l] W_f)\n   $$\n\n   $\\sigma$ est la fonction sigmoïde ; elle borne chaque valeur de $G$ entre 0 et 1, ce qui règle les poids de la vision et du langage dans la sortie.\n\n   Les caractéristiques fusionnées sont :\n\n   $$\n   F_f = G \\odot F_v + (1 - G) \\odot F_l\n   $$\n\n   $\\odot$ désigne le produit élément par élément. Quand $G$ est proche de 1, $F_v$ compte davantage ; quand il approche 0, $F_l$ pèse plus lourd.\n\n5. **Apprentissage supervisé**\n\n   ABINet s'entraîne de bout en bout avec un objectif à plusieurs pertes, pour les sorties visuelle, linguistique et fusionnée.\n\n   Plus précisément :\n\n   $$\n   L = \\lambda_v L_v + \\frac{\\lambda_l}{M} \\sum_{i=1}^{M} L_l^i + \\frac{1}{M} \\sum_{i=1}^{M} L_f^i\n   $$\n\n   avec :\n\n   - **$L_v$** : entropie croisée de la branche visuelle $F_v$ ;\n   - **$L_l$** : entropie croisée de la branche linguistique $F_l$ ;\n   - **$L_f$** : entropie croisée de la sortie fusionnée $F_f$ ;\n   - **$L_l^i$** et **$L_f^i$** : pertes linguistique et fusionnée au $i$-ième tour ;\n   - **$\\lambda_v$** et **$\\lambda_l$** : coefficients qui règlent le poids des pertes.\n\n### Détails de mise en œuvre\n\n- **Données d'entraînement** : les deux jeux synthétiques MJSynth (MJ) et SynthText (ST).\n- **Données de test** : six références courantes, ICDAR 2013 (IC13), ICDAR 2015 (IC15), IIIT 5K-Words (IIIT), Street View Text (SVT), Street View Text-Perspective (SVTP) et CUTE80 (CUTE).\n- **Images non étiquetées pour le semi-supervisé** : les images d'Uber-Text, avec leurs étiquettes retirées.\n- **Modèle** : dimension $C = 512$ ; BCN a quatre couches de huit têtes d'attention, et $\\lambda_v = \\lambda_l = 1$.\n- **Prétraitement** : images redimensionnées à 32×128, puis augmentations géométriques, dégradations de qualité et variations de couleur.\n- **Entraînement** : quatre GPU NVIDIA 1080Ti, lots de 384, optimiseur ADAM ; taux d'apprentissage initial de 1e-4, réduit à 1e-5 après la sixième époque.\n\n## Discussion\n\n### Comparaison avec les autres méthodes\n\n\n\n![Comparison](/content/papers/assets/46022258a4e0a3d7deb35a512fb259acedbdff9563d1176748b68b1919dae54b.jpg)\n\n\n\nPour une comparaison rigoureuse, les auteurs reproduisent SRN, alors meilleure méthode, sous la même configuration qu'ABINet. Les deux variantes reproduites utilisent des modèles visuels (VM) de force différente ; les auteurs remplacent le VM, suppriment l'effet secondaire de l'entraînement multi-échelle et appliquent une décroissance du taux d'apprentissage. Leurs SRN reproduits font ainsi mieux que les résultats publiés initialement.\n\n- **ABINet-SV face à SRN-SV** : ABINet-SV fait mieux sur plusieurs jeux.\n- **ABINet-LV** : avec le modèle visuel plus fort, ABINet-LV dépasse SRN-LV sous la même configuration sur cinq des six jeux. IIIT est l'exception : 96,2 % contre 96,3 %.\n\nEntraîné sur MJ et ST, ABINet se distingue surtout sur SVT, SVTP et IC15. Ces jeux comportent beaucoup d'images de mauvaise qualité, bruitées ou floues : l'information linguistique complète utilement les indices visuels.\n\nLe modèle reconnaît aussi des polices irrégulières et des mises en page non standard. Même sans rectification de l'image, il obtient le deuxième meilleur score sur CUTE, ce qui suggère une bonne capacité sur le texte irrégulier.\n\n### Ablation du modèle visuel\n\n\n\n![Ablation](/content/papers/assets/6e4b699c9b5e81f0c76bdef3518680a41effcd5d77da7cf6159a2aaaa8a9e6f8.jpg)\n\n\n\nLes auteurs comparent ici plusieurs méthodes d'extraction des caractéristiques et de modélisation de séquence.\n\nFace à une attention parallèle plus ordinaire, leur « attention de position » produit des représentations de clés et de valeurs plus expressives.\n\nUn modèle visuel plus puissant améliore sensiblement la précision, au prix de paramètres et de calcul supplémentaires. On peut par exemple ajouter l'attention de position à l'extraction des caractéristiques ou approfondir le Transformer de la modélisation de séquence.\n\n### Ablation du modèle de langue\n\n\n\n![Autonomous Strategy](/content/papers/assets/bdcb94a6e1726b026106d236738911a763675b50fd7d919e40dfee838ee9c240.jpg)\n\n\n\n- **PVM** : préentraînement supervisé du modèle visuel sur MJ et ST.\n- **$\\text{PLM}_{in}$** : préentraînement autosupervisé du modèle de langue sur MJ et ST.\n- **$\\text{PLM}_{out}$** : préentraînement autosupervisé du modèle de langue sur WikiText-103.\n- **AGF (*allowing gradient flow*)** : le gradient est autorisé à passer entre les modèles visuel et linguistique.\n\n---\n\nLe préentraînement supervisé du VM (PVM) gagne en moyenne 0,6 à 0,7 point sur les six jeux : dans cette expérience, préparer la vision aide.\n\nL'effet de $\\text{PLM}_{in}$ est plus faible. Les textes de MJ et ST manquent peut-être de diversité et de structures linguistiques suffisamment riches.\n\n$\\text{PLM}_{out}$ fonctionne mieux : le grand corpus améliore la connaissance du contexte textuel du modèle de langue, même lorsque la précision est déjà élevée.\n\nAvec AGF, la précision moyenne tombe de 92,3 % à 91,4 %, soit 0,9 point de moins, alors que la perte d'entraînement baisse rapidement. Les auteurs en déduisent que le modèle de langue peut s'appuyer sur le modèle visuel et surajuster l'entraînement ; bloquer ce gradient l'oblige à apprendre des régularités du texte par lui-même.\n\n### Ablation de la bidirectionnalité\n\n\n\n![Bidirectional Strategy](/content/papers/assets/eb4e49cc09c4ea660e6e57c22ed65c31d68ddb0fcf8763c94d54e3c8a1fc1e9a.jpg)\n\n\n\nBCN, variante de Transformer, est comparé à SRN qui lui ressemble. Les auteurs gardent les conditions identiques et ne changent que la structure du réseau ; les modèles visuels SV et LV permettent de tester deux niveaux de précision.\n\n- **BCN face à SRN-U** : face à la version unidirectionnelle de SRN, BCN a un nombre de paramètres et un temps d'inférence proches, mais une meilleure précision avec les deux modèles visuels.\n- **BCN face au SRN bidirectionnel** : BCN fait mieux sur des jeux difficiles comme IC15 et CUTE. Dans le tableau, le temps d'inférence passe de 24,2 à 19,5 ms en configuration SV et de 26,9 à 22,0 ms en LV ; la précision correspondante de chaque configuration reste à examiner.\n\n### Voir ce que prédit BCN\n\n\n\n![Visualization](/content/papers/assets/1c05dc645fd5c0cd3aa73957f695e698ad899a15a5afdaf1ab04176848ef8868.jpg)\n\n\n\nPour comprendre le rôle de BCN dans ABINet, les auteurs montrent les cinq probabilités les plus élevées pour le mot « today ».\n\n- Avec « -oday » ou « tod-y » en entrée, BCN prédit « t » et « a » avec confiance et aide la prédiction fusionnée.\n- Pour les caractères erronés « l » et « o », BCN est moins sûr et influe moins sur la prédiction finale.\n- Si plusieurs caractères sont erronés, le contexte ne suffit plus toujours pour retrouver le bon mot.\n\n## Conclusion\n\nCet article donne une branche linguistique au modèle de reconnaissance. Son fonctionnement autonome, bidirectionnel et itératif améliore la précision et la généralisation sur plusieurs jeux, avec un intérêt particulier pour les images irrégulières ou de mauvaise qualité.\n\n\n> [!TIP]\n> \n> Cela rappelle un peu les premiers systèmes de reconnaissance : après la prédiction, on cherchait le mot le plus proche dans un « dictionnaire ». Cette pratique est devenue moins fréquente après CRNN. Un dictionnaire ne s'entraîne pas avec le modèle et sa taille limite les mots possibles.\n> \n> Nous voici revenus, par un autre chemin, à la correction par le langage.\n> \n> Le modèle de langue, lui, peut être entraîné conjointement, ce qui est un avantage. Mais ses données d'entraînement restent limitées : elles aident peu pour des chaînes sans sens linguistique, comme les plaques d'immatriculation ou les numéros de document. Les jeux de mots et les homophonies peuvent aussi provoquer des corrections erronées.\n> \n> Malgré ces limites, c'est une piste majeure. Beaucoup de travaux ultérieurs en reconnaissance de texte se concentreront sur les modèles de langue ; continuons à suivre ce domaine.\n","imageSizes":{"/content/papers/assets/04addfa93915e9c31cb0d622433d764af40f09acba5bdf06405217e87e92949e.jpg":{"width":1020,"height":580},"/content/papers/assets/dd3f71609a9aed29caa0b237880c58e2582197f57faa202b18ed16033f22d0b0.jpg":{"width":1706,"height":694},"/content/papers/assets/3f8595df860b16b202c42301bf760388038bdf0ba91c596971bc9d55e7d94fda.jpg":{"width":804,"height":836},"/content/papers/assets/46022258a4e0a3d7deb35a512fb259acedbdff9563d1176748b68b1919dae54b.jpg":{"width":1548,"height":590},"/content/papers/assets/6e4b699c9b5e81f0c76bdef3518680a41effcd5d77da7cf6159a2aaaa8a9e6f8.jpg":{"width":1004,"height":370},"/content/papers/assets/bdcb94a6e1726b026106d236738911a763675b50fd7d919e40dfee838ee9c240.jpg":{"width":904,"height":544},"/content/papers/assets/eb4e49cc09c4ea660e6e57c22ed65c31d68ddb0fcf8763c94d54e3c8a1fc1e9a.jpg":{"width":902,"height":522},"/content/papers/assets/1c05dc645fd5c0cd3aa73957f695e698ad899a15a5afdaf1ab04176848ef8868.jpg":{"width":1224,"height":432}}}
