{"notes":[{"id":"text-detection/psenet","category":"text-detection","legacyPath":"text-detection/1903-psenet","legacySlug":"1903-psenet","legacyPaths":[],"title":"PSENet","subtitle":"逐步扩展策略","author":"Z. Yuan","paperDate":"2019-03-28","publishedOn":"2024-09-10","paperTitle":"Shape Robust Text Detection with Progressive Scale Expansion Network","paperUrl":"https://arxiv.org/abs/1903.12473","bibliography":{"title":"Shape Robust Text Detection with Progressive Scale Expansion Network","authors":["Wenhai Wang","Enze Xie","Xiang Li","Wenbo Hou","Tong Lu","Gang Yu","Shuai Shao"],"url":"https://arxiv.org/abs/1903.12473","pdfUrl":"https://arxiv.org/pdf/1903.12473","codeUrl":null,"preprint":{"id":"1903.12473","submittedOn":"2019-03-28","url":"https://arxiv.org/abs/1903.12473"},"publication":{"venue":"CVPR","year":2019,"kind":"conference","url":"https://arxiv.org/abs/1903.12473"},"citation":"@misc{textdetectionpsenet2019,\n  title = {{Shape Robust Text Detection with Progressive Scale Expansion Network}},\n  author = {Wenhai Wang and Enze Xie and Xiang Li and Wenbo Hou and Tong Lu and Gang Yu and Shuai Shao},\n  year = {2019},\n  eprint = {1903.12473},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/1903.12473}\n}\n","citationPath":"/content/papers/citations/text-detection/psenet.5a1e1aee01d6.bib"},"thumbnail":{"src":"/content/papers/assets/6f38b0effd2d84ea22f0756c4dbcadca5e5d144e1630f4c058b4282f8a1f2626.jpg","width":1444,"height":516},"locale":"zh-hans","path":"/content/papers/zh-hans/text-detection/psenet.2f4e53b9cfb2.md","headings":[{"id":"定义问题","text":"定义问题","depth":2},{"id":"解决问题","text":"解决问题","depth":2},{"id":"模型架构","text":"模型架构","depth":3},{"id":"阶层式扩展","text":"阶层式扩展","depth":3},{"id":"损失函数","text":"损失函数","depth":3},{"id":"训练数据","text":"训练数据","depth":3},{"id":"训练策略","text":"训练策略","depth":3},{"id":"讨论","text":"讨论","depth":2},{"id":"各组件设计的影响","text":"各组件设计的影响","depth":3},{"id":"曲线文本实验结果","text":"曲线文本实验结果","depth":3},{"id":"icdar2015-实验结果","text":"ICDAR2015 实验结果","depth":3},{"id":"速度分析","text":"速度分析","depth":3},{"id":"结论","text":"结论","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"text-detection/pan","relation":"next","topic":"从分割图扩展文字区域"}]},{"id":"text-detection/pan","category":"text-detection","legacyPath":"text-detection/1908-pan","legacySlug":"1908-pan","legacyPaths":[],"title":"PAN","subtitle":"像素聚合策略","author":"Z. Yuan","paperDate":"2019-08-16","publishedOn":"2024-09-13","paperTitle":"Efficient and Accurate Arbitrary-Shaped Text Detection with Pixel Aggregation Network","paperUrl":"https://arxiv.org/abs/1908.05900","bibliography":{"title":"Efficient and Accurate Arbitrary-Shaped Text Detection with Pixel Aggregation Network","authors":["Wenhai Wang","Enze Xie","Xiaoge Song","Yuhang Zang","Wenjia Wang","Tong Lu","Gang Yu","Chunhua Shen"],"url":"https://arxiv.org/abs/1908.05900","pdfUrl":"https://arxiv.org/pdf/1908.05900","codeUrl":null,"preprint":{"id":"1908.05900","submittedOn":"2019-08-16","url":"https://arxiv.org/abs/1908.05900"},"publication":{"venue":"ICCV","year":2019,"kind":"conference","url":"https://arxiv.org/abs/1908.05900"},"citation":"@misc{textdetectionpan2019,\n  title = {{Efficient and Accurate Arbitrary-Shaped Text Detection with Pixel Aggregation Network}},\n  author = {Wenhai Wang and Enze Xie and Xiaoge Song and Yuhang Zang and Wenjia Wang and Tong Lu and Gang Yu and Chunhua Shen},\n  year = {2019},\n  eprint = {1908.05900},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/1908.05900}\n}\n","citationPath":"/content/papers/citations/text-detection/pan.c3947889600e.bib"},"thumbnail":{"src":"/content/papers/assets/fe635f695034d4c7bbbb31cec77d7e68b16545fdeb6792f9261892a8cd1557f4.jpg","width":1540,"height":694},"locale":"zh-hans","path":"/content/papers/zh-hans/text-detection/pan.d36d450eee36.md","headings":[{"id":"定义问题","text":"定义问题","depth":2},{"id":"解决问题","text":"解决问题","depth":2},{"id":"模型架构","text":"模型架构","depth":3},{"id":"fpem","text":"FPEM","depth":3},{"id":"ffm","text":"FFM","depth":3},{"id":"像素聚合策略","text":"像素聚合策略","depth":3},{"id":"损失函数","text":"损失函数","depth":3},{"id":"训练数据集","text":"训练数据集","depth":3},{"id":"训练策略","text":"训练策略","depth":3},{"id":"讨论","text":"讨论","depth":2},{"id":"消融实验","text":"消融实验","depth":3},{"id":"曲线文本实验结果","text":"曲线文本实验结果","depth":3},{"id":"icdar-2015-实验结果","text":"ICDAR 2015 实验结果","depth":3},{"id":"msra-td500-实验结果","text":"MSRA-TD500 实验结果","depth":3},{"id":"可视化结果","text":"可视化结果","depth":3},{"id":"结论","text":"结论","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"text-detection/psenet","relation":"background","topic":"从分割图扩展文字区域"},{"id":"text-detection/fast","relation":"next","topic":"从分割图扩展文字区域"}]}],"text":"随着卷积网络的发展逐渐成熟，各种分支的应用也逐渐增加。\n\n其中，文本检测是一个非常重要的应用，因为它是许多应用的基础，例如 OCR、自动驾驶、图像检索等。然而，由于文本的形状和大小变化很大，因此设计一个通用的文本检测模型是一个具有挑战性的问题。\n\n## 定义问题\n\n![problem](/content/papers/assets/cfb353cb12f69b95fafb91a66333ff6c1c3fc37d85ab4666964759219a469735.jpg)\n\n比较早期的发展中，目标检测的技术是研究人员主要关注的方向，因此在文本检测的领域中，大多数的研究工作都是基于目标检测的技术进行的。\n\n但目标检测的方法在文本上确实遇到很多困难，主要有几个因素：\n\n1. **文本形状变化剧烈**\n\n   大小变化很剧烈，这其实不是问题。因为在目标检测中，应用多尺度的特征并找到不同尺度的对象是一个很常见的做法。问题在于文本的形状变化很大。\n\n   举例来说：一个文本，这个检测框可能是个正方形，但随着文本的增长，检测框会愈来愈长，长宽比也会愈来愈大。这种特性尤其在基于锚点的方法中，显得特别困难。\n\n   因为我们已经基于一些基本知识定义了几个长宽比让模型参考，但文本的形状变化太大，难道我们要无上限的增加锚点吗？\n\n2. **矩形框不够贴合**\n\n   如上图 (b)，文本除了长宽比变化剧烈之外，形状通常也不是规规矩矩的样子，像是路边的招牌，街景中的布条等等，这些形状可能是弯曲的、不规则的，矩形框很难贴合。\n\n   检测通常是为了后续的分类，当检测形状不够贴合时，其实就已经失去了检测的意义。\n\n3. **像素分割难分难舍**\n\n   那改成使用基于分割的方法呢？\n\n   如上图 (c)，基于分割的方法有一个最明显的缺点：无法切分相邻和重叠的文本。这是因为基于分割的方法通常是基于像素的，而文本之间的间隔通常很小，这样的方法很难区分文本之间的边界。\n\n   无法区分意味着检测失败，显然也是不可接受的。\n\n为了解决上面提到的种种困难，本篇论文的作者基于分割的理念，提出了一个新的想法：不如我们就找到文本的核心，然后逐渐扩展，直到找到文本的边界，如何？\n\n## 解决问题\n\n### 模型架构\n\n![psenet arch](/content/papers/assets/6f38b0effd2d84ea22f0756c4dbcadca5e5d144e1630f4c058b4282f8a1f2626.jpg)\n\n模型架构非常简单，上图左边就是常见的 Backbone + Neck 的 FPN 架构。\n\n得到多尺度的特征图之后，先将四层特征上采样至同一尺寸并 Concat，再经卷积融合，由 $n$ 个分支预测不同尺度的文本分割图。仔细看上图，$S_1$ 是最小的文本区块，$S_2$ 是 $S_1$ 的扩展，$S_3$ 是 $S_2$ 的扩展，以此类推，一直到 $S_n$。\n\n这些监督数据是从数据集标签中生成的，生成方式如下图：\n\n![psenet label](/content/papers/assets/b6721febb9b1f7303e1879c962b666d872f42583ec0fbfb68f99eb524f43319b.jpg)\n\n蓝色边框的多边形代表原始的文本实例，对应到最大的分割标注遮罩。利用 Vatti 裁剪算法将原始多边形逐步缩小，得到不同尺度的多边形 $p_i$，并将每个缩小的多边形转换为二元遮罩，用作分割标注的 ground truth。\n\n给定比例尺缩放率 $r_i$，缩小的边距 $d_i$ 可以根据以下公式计算：\n\n$$\nd_i = \\frac{Area(p_n) \\times (1 - r_i^2)}{Perimeter(p_n)}\n$$\n\n其中，$Area(\\cdot)$ 是计算多边形面积的函数，$Perimeter(\\cdot)$ 是计算多边形周长的函数。\n\n比例尺缩放率 $r_i$ 定义如下：\n\n$$\nr_i = 1 - \\frac{(1 - m) \\times (n - i)}{n - 1}\n$$\n\n其中，$m$ 是最小比例尺缩放率，范围在 $(0, 1]$，比例尺缩放率 $r_1, r_2, ..., r_n$ 由两个超参数 $n$ 和 $m$ 决定，并从 $m$ 线性增加至 1。\n\n最终通过该方法生成的 ground truth 标注图形会对应到 PSENet 不同尺度的分割结果，使得模型能够在多尺度上学习文本实例的分割。\n\n### 阶层式扩展\n\n![psenet progressive](/content/papers/assets/a1e975c95cd277c4c4821621f95ced10115cd3fd111b8d958c2dea4393864ca0.jpg)\n\n作者为了分离相邻的文本实例并恢复完整形状，提出了一个阶层式扩展的方法。\n\n这个方法的核心概念源自广度优先搜索算法 (Breadth-First Search, BFS)，其目的是逐步扩展已检测的文本实例核心（最小核）。\n\n- **初始阶段**：如上图，根据最小核地图（$S_1$），识别出 4 个不同的连通区块，分别标示为 $c_1$、$c_2$、$c_3$、$c_4$。\n- **扩展阶段**：逐步将最小核扩展至 $S_2$，接着扩展至 $S_3$，最终得到的连通区块作为文本实例的最终预测结果。\n\n使用 BFS 从多个核像素开始，逐步将相邻的文本像素合并。在扩展过程中，可能会出现像素冲突的情况，处理方式为「先来先合并」，即一个像素只能被一个核合并。由于扩展过程是渐进的，因此这些边界冲突不会影响最终的检测结果和性能。\n\n若要实现这个算法，可以论文中提供的参考算法说明，如下图：\n\n- **输入**: 核心区块集 $C$，分割结果 $S_i$\n- **输出**: 扩展后的核心区块 $E$\n- **主要步骤**:\n  1. 初始化空集 $T$、$P$ 和队列 $Q$。\n  2. 将每个核心区块 $c_i$ 中的所有元素加入 $T$ 和 $P$，并将 $c_i$ 加入队列 $Q$。\n  3. 逐一取出 $Q$ 中的元素，检查其邻居像素，若符合条件则将邻居像素加入 $T$、$P$ 并继续扩展。\n  4. 将扩展结果根据标签分组，得到最终的扩展核心区块 $E$。\n\n![psenet algo](/content/papers/assets/f6e40849f5b92aff06f31d655fbbcfe5305e759adbb4bc823176d0dc4e6753d1.jpg)\n\n### 损失函数\n\nPSENet 的损失函数定义为：\n\n$$\nL = \\lambda L_c + (1 - \\lambda)L_s\n$$\n\n其中，$L_c$ 代表完整文本实例的损失，$L_s$ 代表缩小文本实例的损失，$\\lambda$ 用来平衡这两者的重要性。\n\n由于文本实例在自然图像中通常只占据极小区域，若使用二元交叉熵（binary cross entropy），可能会导致网络的预测偏向于非文本区域。\n\n为此，作者采用 Dice 系数来评估损失，其公式如下：\n\n$$\nD(S_i, G_i) = \\frac{2 \\sum_{x,y}(S_{i,x,y} \\times G_{i,x,y})}{\\sum_{x,y} S_{i,x,y}^2 + \\sum_{x,y} G_{i,x,y}^2}\n$$\n\n其中，$S_{i,x,y}$ 和 $G_{i,x,y}$ 分别表示分割结果和标注图中像素 $(x, y)$ 的值。\n\n在训练过程中，为了区分与文本笔划类似的图像模式（如栅栏或格子），使用在线困难样本挖掘（OHEM）技术来提升$L_c$。\n\n考虑 OHEM 提供的训练遮罩$M$，$L_c$的公式为：\n\n$$\nL_c = 1 - D(S_n \\cdot M, G_n \\cdot M)\n$$\n\n由于缩小的文本实例被完整文本区域包围，因此在计算 $L_s$ 时忽略分割结果中的「非文本区域」的像素，避免冗余。\n\n$L_s$的公式如下：\n\n$$\nL_s = 1 - \\frac{\\sum_{i=1}^{n-1} D(S_i \\cdot W, G_i \\cdot W)}{n - 1}\n$$\n\n其中，$W$是忽略非文本区域的遮罩，定义为：\n\n$$\nW_{x,y} =\n\\begin{cases}\n1, & \\text{If } S_{n,x,y} \\geq 0.5; \\\\\n0, & \\text{Otherwise}.\n\\end{cases}\n$$\n\n### 训练数据\n\n- **CTW1500**\n\n  CTW1500 是一个针对长曲线文本检测的挑战性数据集，由 Yuliang 等人建构。该数据集包含 1000 张训练图片和 500 张测试图片。不同于传统文本数据集（如 ICDAR 2015、ICDAR 2017 MLT），CTW1500 的文本实例是由 14 个点的多边形标注，可以描述任意曲线文本的形状。\n\n- **Total-Text**\n\n  Total-Text 是一个新发布的曲线文本检测数据集，包含水平、多方向及曲线文本实例。该基准数据集包括 1255 张训练图片和 300 张测试图片。\n\n- **ICDAR 2015**\n\n  ICDAR 2015 是文本检测中常用的数据集，包含 1500 张图片，其中 1000 张用于训练，剩下的用于测试。文本区域由四个顶点的四边形标注。\n\n- **ICDAR 2017 MLT**\n\n  IC17-MLT 是一个大规模的多语言文本数据集，包括 7200 张训练图片、1800 张验证图片和 9000 张测试图片。该数据集由来自 9 种语言的完整场景图像组成。\n\n### 训练策略\n\n使用基于 ImageNet 预训练的 ResNet 作为主干网络，并通过随机梯度下降法（SGD）进行优化。\n\nIC17-MLT 这个数据集的训练方式跟别人不一样：\n\n在训练 IC17-MLT 时，未使用任何额外数据（如 SynthText）。模型训练时的 batch size 为 16，使用 4 张 GPU 进行 180K 次迭代。初始学习率设为 $1 \\times 10^{-3}$，并在 60K 和 120K 次迭代时将学习率降低至原来的十分之一。\n\n---\n\n除了 IC17-MLT 之外，其他数据集采用两种策略：直接在目标数据集训练，或从 IC17-MLT 训练好的模型微调。\n\n直接训练时，Batch size 同样设为 16，使用 4 张 GPU 进行 36K 次迭代。初始学习率设为 $1 \\times 10^{-3}$，并在 12K 和 24K 次迭代时降低至十分之一。\n\n从 IC17-MLT 模型微调至目标数据集时，训练迭代次数为 24K，初始学习率设为 $1 \\times 10^{-4}$，并在 12K 次迭代时将学习率降低至十分之一。\n\n\n> [!TIP]\n> \n> 这里的「直接训练」是指不先用 IC17-MLT 文本检测数据训练；主干网络仍以 ImageNet 预训练。论文未说使用 SynthText。\n\n\n- **优化与参数设置**\n\n  - 使用权重衰减值 $5 \\times 10^{-4}$，Nesterov 动量设为 0.99，且不使用阻尼。\n  - 训练过程中，对所有数据集中 「DO NOT CARE」 的模糊文本区域忽略不计。\n  - 损失函数平衡参数 $\\lambda$ 设为 0.7，OHEM 的负正样本比例设为 3。\n\n- **数据增强策略**\n\n  - 图片以随机比例 [0.5, 1.0, 2.0, 3.0] 进行缩放。\n  - 图片进行随机水平翻转和旋转，范围在正负 10 度之间。\n  - 从变换后的图片中随机裁剪出 $640 \\times 640$ 的样本。\n\n- **结果生成**\n\n  - 对于四边形文本数据集，计算最小面积矩形以提取边界框。\n  - 对于曲线文本数据集，应用 PSE 的输出来生成最终结果。\n\n## 讨论\n\n### 各组件设计的影响\n\n![psenet ablation](/content/papers/assets/725e4747538f746803a1096c3b0eeca245f828f3791871ca4dca81d0f8eaa135.jpg)\n\n1. **核心区块 (Kernel) 能作为最终结果吗？**\n\n   答案是不能。\n\n   核心区块的目的是大致定位文本实例，并区分彼此相邻的文本实例。然而，最小尺度的核心区块无法覆盖完整的文本区域，这对文本检测和识别造成了不利影响。如上图 (a) 所示，仅使用最小尺度核心区块作为最终结果，F-measure 在 ICDAR 2015 和 CTW1500 数据集上的表现极差。\n\n2. **最小核心尺度的影响**\n\n   作者通过设置核心数量 $n = 2$，并让最小核心尺度 $m$ 从 1 变动到 0.1，来研究其对性能的影响。\n\n   从上图 (a)可以看出，当 $m$ 太大或太小时，测试集上的 F-measure 会下降。当 $m = 1$ 时，我们仅使用文本分割图作为最终结果，且不使用渐进尺度扩展算法（PSE），结果显示没有 PSE 的基线表现不理想，因为网络无法区分彼此相邻的文本实例。\n\n   当 $m$ 过大时，PSENet 难以分离靠近的文本实例；而当 $m$ 过小时，PSENet 常常错误地将整个文本行分割为不同部分，且训练难以收敛。\n\n3. **核心数量的影响**\n\n   作者通过保持最小尺度 $m$ 不变，并训练不同核心数量 $n$ 的 PSENet 来研究其影响。作者设置 ICDAR 2015 数据集上的 $m = 0.4$，CTW1500 数据集上的 $m = 0.6$，并让 $n$ 从 2 增加到 10。\n\n   结果如上图 (b) 所示，随着 $n$ 的增加，测试集上的 F-measure 逐渐上升，并在 $n \\geq 5$ 时趋于平稳。多核心的优势在于，它们彼此相邻时可以精确重建两个大小差异较大的文本实例。\n\n### 曲线文本实验结果\n\n为了测试曲线文本的检测能力，作者们在 CTW1500 和 Total-Text 两个数据集上评估了 PSENet；两者都包含曲线文本。\n\n在测试阶段，将图片的较长边缩放至 1280，并且只使用 ResNet50 作为主干网络。\n\n- **CTW1500**\n\n  ![psenet ctw1500](/content/papers/assets/2c0778e887a60f4e1223dbd3e36ad5f2a480c3163929d4e8e3b0b0fb9e499507.jpg)\n\n  PSENet-1s 在 CTW1500 上未使用额外数据时，F-measure 为 78.0%；使用 IC17-MLT 模型微调后为 82.2%，比 CTD+TLOC 高 8.8 个百分点，比 TextSnake 高 6.6 个百分点。这两个比较对象的额外数据条件不同，需分开看。\n\n- **Total-Text**\n\n  ![psenet total-text](/content/papers/assets/0f225e88d82d34710900a9fa92ee2791b2842b04ec8dea6b3c42b837cd83905f.jpg)\n\n  在 Total-Text 上，使用额外数据的 PSENet-1s 的精度、召回率和 F-measure 分别为 84.02%、77.96% 和 80.87%；F-measure 比 TextSnake 的 78.4% 高 2.47 个百分点，但未使用额外数据的 PSENet-1s 为 78.3%。相较 DeconvNet 基准的 36.0%，前者高出 44.87 个百分点；表中的 EAST 和 SegLink 未在 Total-Text 微调，仅供参考。\n\n---\n\n作者也展示了几个挑战性的结果，并将其与现有的 CTD+TLOC 方法进行视觉比较，如下图：\n\n![psenet visual](/content/papers/assets/f7ccc7b5258d2b1219c4262eff4241c325b6c5d2909792bc6f1aab6d3a62b737.jpg)\n\n### ICDAR2015 实验结果\n\n![psenet ic15](/content/papers/assets/67e9c109c3784b4974f6e7526180f9bef7e6792de98369404316ba6a7d08e7ab.jpg)\n\n作者在 ICDAR 2015 (IC15) 数据集上评估了 PSENet，以测试其方向文本检测能力。这里仅使用 ResNet50 作为 PSENet 的主干网络。在推理过程中，将输入图片的长边缩放至 2240。\n\n在单尺度且使用额外数据的 PSENet-1s 设置下，F-measure 达到 85.69%，比表中先前最高的 TextSnake 82.6% 高约 3.1 个百分点；未使用额外数据的 PSENet-1s 为 80.6%。\n\n### 速度分析\n\n![psenet speed](/content/papers/assets/3a12e6c6383eb895add041a1f3a4b8da52a3b3768e478625ef69e4bd8ea3f33f.jpg)\n\n作者在 CTW1500 的测试集上进行实验，对所有测试图片进行评估并计算平均速度。输入图片的长边缩放至 [1280, 960, 640] 来测试速度。所有结果均使用 PyTorch 和一张 1080Ti GPU 进行测试。\n\n为了在速度与准确率之间取得平衡，使用了 ResNet50 和 ResNet18 作为主干网络。\n\n- 当输出特征图的大小为输入图片的 1/1 时，PSENet 能够获得最佳性能，但由于特征图较大，PSE 阶段的时间消耗超过了总推理时间的一半。\n- 当输出特征图的大小为输入图片的 1/4 时，PSENet 的每秒帧数（FPS）从 3.9 提升到 8.4，但性能从 82.2%略微下降至 79.9%，如表 2 所示。此时 PSE 阶段的时间消耗不到总推理时间的十分之一。\n- 当将图片的长边缩放至 640 时，FPS 进一步提升至 22，且检测器的性能仍然保持不错（75.6%）。\n\n当使用 ResNet18 作为主干网络、长边缩放至 960 且不使用额外文本数据训练时，PSENet 的速度为 26.75 FPS，F-measure 为 74.3%。\n\n## 结论\n\nPSENet 的核心思想是通过逐步扩展来解决不规则形状的场景文本问题。但不管怎么说，最后还是需要一定的后处理来确定文本区域，这在实际应用中会增加一些计算量和复杂性。\n\n而且逐步扩展策略依赖于初期识别的文本核心区域。如果核心区域检测错误，后续的扩展步骤会受到影响，进而影响最终的检测结果。\n\n总之 PSENet 在精度和速度上取得了不错的平衡，适合用于许多实际应用场景。相对于其他基于语义分割或目标检测的方法，PSENet 提供了一个新的思路来处理场景中难以检测的文本，使得文本检测领域向前迈出了一大步。\n","imageSizes":{"/content/papers/assets/cfb353cb12f69b95fafb91a66333ff6c1c3fc37d85ab4666964759219a469735.jpg":{"width":980,"height":592},"/content/papers/assets/6f38b0effd2d84ea22f0756c4dbcadca5e5d144e1630f4c058b4282f8a1f2626.jpg":{"width":1444,"height":516},"/content/papers/assets/b6721febb9b1f7303e1879c962b666d872f42583ec0fbfb68f99eb524f43319b.jpg":{"width":1238,"height":470},"/content/papers/assets/a1e975c95cd277c4c4821621f95ced10115cd3fd111b8d958c2dea4393864ca0.jpg":{"width":1224,"height":596},"/content/papers/assets/f6e40849f5b92aff06f31d655fbbcfe5305e759adbb4bc823176d0dc4e6753d1.jpg":{"width":1004,"height":684},"/content/papers/assets/725e4747538f746803a1096c3b0eeca245f828f3791871ca4dca81d0f8eaa135.jpg":{"width":1310,"height":592},"/content/papers/assets/2c0778e887a60f4e1223dbd3e36ad5f2a480c3163929d4e8e3b0b0fb9e499507.jpg":{"width":1164,"height":436},"/content/papers/assets/0f225e88d82d34710900a9fa92ee2791b2842b04ec8dea6b3c42b837cd83905f.jpg":{"width":1214,"height":390},"/content/papers/assets/f7ccc7b5258d2b1219c4262eff4241c325b6c5d2909792bc6f1aab6d3a62b737.jpg":{"width":1764,"height":576},"/content/papers/assets/67e9c109c3784b4974f6e7526180f9bef7e6792de98369404316ba6a7d08e7ab.jpg":{"width":1180,"height":936},"/content/papers/assets/3a12e6c6383eb895add041a1f3a4b8da52a3b3768e478625ef69e4bd8ea3f33f.jpg":{"width":1226,"height":286}}}
