{"notes":[{"id":"text-recognition/dan","category":"text-recognition","legacyPath":"text-recognition/1912-dan","legacySlug":"1912-dan","legacyPaths":[],"title":"DAN","subtitle":"不准在一起","author":"Z. Yuan","paperDate":"2019-12-21","publishedOn":"2024-10-17","paperTitle":"Decoupled Attention Network for Text Recognition","paperUrl":"https://arxiv.org/abs/1912.10205","bibliography":{"title":"Decoupled Attention Network for Text Recognition","authors":["Tianwei Wang","Yuanzhi Zhu","Lianwen Jin","Canjie Luo","Xiaoxue Chen","Yaqiang Wu","Qianying Wang","Mingxiang Cai"],"url":"https://arxiv.org/abs/1912.10205","pdfUrl":"https://arxiv.org/pdf/1912.10205","codeUrl":null,"preprint":{"id":"1912.10205","submittedOn":"2019-12-21","url":"https://arxiv.org/abs/1912.10205"},"publication":{"venue":"AAAI","year":2020,"kind":"conference","url":"https://arxiv.org/abs/1912.10205"},"citation":"@misc{textrecognitiondan2019,\n  title = {{Decoupled Attention Network for Text Recognition}},\n  author = {Tianwei Wang and Yuanzhi Zhu and Lianwen Jin and Canjie Luo and Xiaoxue Chen and Yaqiang Wu and Qianying Wang and Mingxiang Cai},\n  year = {2019},\n  eprint = {1912.10205},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/1912.10205}\n}\n","citationPath":"/content/papers/citations/text-recognition/dan.d39e18024fa7.bib"},"thumbnail":{"src":"/content/papers/assets/e53f7bec264bbeb70e49cb487f7356d7b9d8b657cecebf15e670b6f48aaa7cfe.jpg","width":1478,"height":420},"locale":"zh-hans","path":"/content/papers/zh-hans/text-recognition/dan.eb5891ac820e.md","headings":[{"id":"定义问题","text":"定义问题","depth":2},{"id":"注意力遗失","text":"注意力遗失","depth":3},{"id":"输出耦合","text":"输出耦合","depth":3},{"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":"特征提取","text":"特征提取","depth":3},{"id":"对齐模块","text":"对齐模块","depth":3},{"id":"解耦式解码模块","text":"解耦式解码模块","depth":3},{"id":"手写文字识别训练策略","text":"手写文字识别训练策略","depth":3},{"id":"场景文字识别训练策略","text":"场景文字识别训练策略","depth":3},{"id":"讨论","text":"讨论","depth":2},{"id":"手写文字识别性能","text":"手写文字识别性能","depth":3},{"id":"消融实验","text":"消融实验","depth":3},{"id":"对齐错误分析","text":"对齐错误分析","depth":3},{"id":"识别错误分析","text":"识别错误分析","depth":3},{"id":"场景文字识别性能","text":"场景文字识别性能","depth":3},{"id":"稳健性研究","text":"稳健性研究","depth":3},{"id":"结论","text":"结论","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"text-recognition/rare","relation":"comparison","topic":"弯曲与不规则文字的识别"},{"id":"text-recognition/sar","relation":"comparison","topic":"弯曲与不规则文字的识别"}]},{"id":"text-recognition/rare","category":"text-recognition","legacyPath":"text-recognition/1603-rare","legacySlug":"1603-rare","legacyPaths":[],"title":"RARE","subtitle":"全自动校正","author":"Z. Yuan","paperDate":"2016","publishedOn":"2024-10-08","paperTitle":"Robust Scene Text Recognition With Automatic Rectification","paperUrl":"https://openaccess.thecvf.com/content_cvpr_2016/html/Shi_Robust_Scene_Text_CVPR_2016_paper.html","bibliography":{"title":"Robust Scene Text Recognition With Automatic Rectification","authors":["Baoguang Shi","Xinggang Wang","Pengyuan Lyu","Cong Yao","Xiang Bai"],"url":"https://openaccess.thecvf.com/content_cvpr_2016/html/Shi_Robust_Scene_Text_CVPR_2016_paper.html","pdfUrl":"https://openaccess.thecvf.com/content_cvpr_2016/papers/Shi_Robust_Scene_Text_CVPR_2016_paper.pdf","codeUrl":null,"preprint":null,"publication":{"venue":"CVPR","year":2016,"kind":"conference","url":"https://openaccess.thecvf.com/content_cvpr_2016/html/Shi_Robust_Scene_Text_CVPR_2016_paper.html"},"citation":"@inproceedings{textrecognitionrare2016,\n  title = {{Robust Scene Text Recognition With Automatic Rectification}},\n  author = {Baoguang Shi and Xinggang Wang and Pengyuan Lyu and Cong Yao and Xiang Bai},\n  year = {2016},\n  booktitle = {CVPR},\n  url = {https://openaccess.thecvf.com/content_cvpr_2016/html/Shi_Robust_Scene_Text_CVPR_2016_paper.html}\n}\n","citationPath":"/content/papers/citations/text-recognition/rare.e993d8c6fce6.bib"},"thumbnail":{"src":"/content/papers/assets/ede56fcdf7e421a6d8418d322e7a516326d84123169b83be8f9badb72fbb994e.jpg","width":1224,"height":496},"locale":"zh-hans","path":"/content/papers/zh-hans/text-recognition/rare.f225f5649364.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":"空间转换网络","text":"空间转换网络","depth":3},{"id":"定位网络","text":"定位网络","depth":3},{"id":"网格生成器","text":"网格生成器","depth":3},{"id":"采样器","text":"采样器","depth":3},{"id":"编码器-解码器","text":"编码器-解码器","depth":3},{"id":"字典辅助识别","text":"字典辅助识别","depth":3},{"id":"模型训练","text":"模型训练","depth":3},{"id":"评估指针","text":"评估指针","depth":3},{"id":"讨论","text":"讨论","depth":2},{"id":"与其他方法比较","text":"与其他方法比较","depth":3},{"id":"结论","text":"结论","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"text-recognition/sar","relation":"comparison","topic":"弯曲与不规则文字的识别"},{"id":"text-recognition/dan","relation":"comparison","topic":"弯曲与不规则文字的识别"}]},{"id":"text-recognition/sar","category":"text-recognition","legacyPath":"text-recognition/1811-sar","legacySlug":"1811-sar","legacyPaths":[],"title":"SAR","subtitle":"二维注意力图","author":"Z. Yuan","paperDate":"2018-11-02","publishedOn":"2024-10-11","paperTitle":"Show, Attend and Read: A Simple and Strong Baseline for Irregular Text Recognition","paperUrl":"https://arxiv.org/abs/1811.00751","bibliography":{"title":"Show, Attend and Read: A Simple and Strong Baseline for Irregular Text Recognition","authors":["Hui Li","Peng Wang","Chunhua Shen","Guyu Zhang"],"url":"https://arxiv.org/abs/1811.00751","pdfUrl":"https://arxiv.org/pdf/1811.00751","codeUrl":null,"preprint":{"id":"1811.00751","submittedOn":"2018-11-02","url":"https://arxiv.org/abs/1811.00751"},"publication":{"venue":"AAAI","year":2019,"kind":"conference","url":"https://arxiv.org/abs/1811.00751"},"citation":"@misc{textrecognitionsar2018,\n  title = {{Show, Attend and Read: A Simple and Strong Baseline for Irregular Text Recognition}},\n  author = {Hui Li and Peng Wang and Chunhua Shen and Guyu Zhang},\n  year = {2018},\n  eprint = {1811.00751},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/1811.00751}\n}\n","citationPath":"/content/papers/citations/text-recognition/sar.429fd6a175f4.bib"},"thumbnail":{"src":"/content/papers/assets/5d30550b9ceceb13eae308e5c7eae88d7f1a5baf19ef43fa90066a49c0011976.jpg","width":1604,"height":516},"locale":"zh-hans","path":"/content/papers/zh-hans/text-recognition/sar.7676b0beda84.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":"编码器","text":"编码器","depth":3},{"id":"解码器","text":"解码器","depth":3},{"id":"2d-注意力图","text":"2D 注意力图","depth":3},{"id":"讨论","text":"讨论","depth":2},{"id":"与其他方法的比较","text":"与其他方法的比较","depth":3},{"id":"可视化展示","text":"可视化展示","depth":3},{"id":"结论","text":"结论","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"text-recognition/rare","relation":"comparison","topic":"弯曲与不规则文字的识别"},{"id":"text-recognition/dan","relation":"comparison","topic":"弯曲与不规则文字的识别"}]}],"text":"早期的研究中，大多使用 CTC 算法来作为最后输出的解码器，而近年来则是流行用带有注意力图的结构。原因也很简单：效果通常比较好！\n\n因此，帮模型加个注意力图几乎现在 STR 领域内的标准配置。\n\n## 定义问题\n\n可是注意力图，不准啊！\n\n### 注意力遗失\n\n作者梳理了过去的研究，发现注意力图的设计是基于特征图的，而不是基于文字的。\n\n什么意思？请看下图：\n\n![mismatch](/content/papers/assets/f568e2f37901469978e4e298a0d386b79de1e1282899f23aa1d075e001a019b1.jpg)\n\n在图中，上面是原始输入图像，下面是对应的注意力图。\n\n注意力图的阅读方式比较特别，它带有序列信息，最左上角是第一个字，最右下角是最后一个字。一个好的注意力分布应该是一组呈现对角线的亮点，表示每个字都有对应的注意力区域。\n\n回到上面的图，我们可以看到注意力图的分布并不是对角线，而是在某个区域上，突然跳到另一个区域。这表示模型在这个时间点上没有对应到正确的文字。\n\n就作者分析，这是因为注意力图的设计是基于特征图的，按照上图中的例子：「ly」 这个词，在不同序列点上的特征图可能是相似的，因此序列模型就「迷失」了。\n\n### 输出耦合\n\n我们需要注意力图，目的是为了要帮助模型对齐文字与图像。\n\n但对齐操作如果和解码操作绑在一起，这表示在学习的过程中，匹配对齐的结果一定会受到解码器的输出结果所影响。不可避免的导致错误累积和传播。\n\n---\n\n所以，对齐操作和解码操作，你们不准在一起！\n\n作者如是说。\n\n## 解决问题\n\n### 模型架构\n\n![model arch](/content/papers/assets/e53f7bec264bbeb70e49cb487f7356d7b9d8b657cecebf15e670b6f48aaa7cfe.jpg)\n\n为了解决耦合的问题，作者提出了 DAN 架构，如上图。\n\n这个架构的想法非常简单，就是为了注意力而单独设计一个分支，让这个分支来预测文字的位置。我们分阶段来看这个架构：\n\n### 特征提取\n\n这个部分是一个 CNN 网络，用来提取图像的特征，没什么好说的。\n\n作者采用与前人研究类似的 CNN 特征编码器，而不是用标准的 ResNet，参数配置如下：\n\n\n\n![cnn](/content/papers/assets/9e49d5de15ae52fd1b2e2fe2d2e52dddda6b73889ab2da09ac141657e93593cd.jpg)\n\n\n\n将输入图像 $x$（尺寸 $H \\times W$）编码成特征图 $F$：\n\n$$\nF = F(x), \\quad F \\in \\mathbb{R}^{C \\times H/r_h \\times W/r_w}\n$$\n\n其中，$C$ 是输出通道数，$r_h$ 和 $r_w$ 为高度和宽度的降采样比例。\n\n### 对齐模块\n\n![align](/content/papers/assets/e803c2fa2d42a4bee3454dc3234fab3f98749cf5cbb84ac44488e3f9b8793eab.jpg)\n\n卷积对齐模块，Convolutional Alignment Module，后续简称 CAM。\n\nCAM 从特征编码器获取多尺度视觉特征，并通过阶层降采样卷积层进行处理。受到 FCN 的启发，CAM 进行逐通道的注意力运算；FCN 的每个通道代表一个类别的热图，CAM 则让每个通道对应一个解码步骤。\n\nCAM 的结构包含 $L$ 层，在上采样（作者使用反卷积）阶段，每个输出特征与卷积阶段的对应特征图相加，最终通过 sigmoid 函数，对各通道的注意力图分别归一化：\n\n$$\nA = \\{ \\alpha_1, \\alpha_2, \\dots, \\alpha_{\\text{maxT}} \\}\n$$\n\n这个 $maxT$ 就是解码器的最大时序长度，每张注意力图的尺寸为 $H/r_h \\times W/r_w$。\n\n在最后输入解码器的时候，每个解码步骤都有一张对应的注意力图，用来从视觉特征图聚合该字符区域的信息。\n\n\n> [!TIP]\n> \n> 如果你对这个步骤感到疑惑，那就用 FPN 去理解它就好。\n> \n> - [**[16.12] FPN: 金字塔架构**](/blog/papers/feature-fusion/fpn)\n\n\n### 解耦式解码模块\n\n\n\n![decoder](/content/papers/assets/b332721594f90d74262b7c889f3b49df6568f327b0975a1543f63a5813210637.jpg)\n\n\n\n传统的注意力解码器会同时进行对齐和识别，而 DAN 的解码器仅进行识别。\n\n解码器以编码后的特征图和注意力图作为输入，计算时间步骤 $t$ 的上下文向量 $c_t$：\n\n$$\nc_t = \\sum_{x=1}^{W/r_w} \\sum_{y=1}^{H/r_h} \\alpha_{t, x, y} F_{x, y}\n$$\n\n分类器在时间步骤 $t$ 生成输出 $y_t$：\n\n$$\ny_t = w h_t + b\n$$\n\n其中，$h_t$ 是 GRU 的隐藏状态：\n\n$$\nh_t = \\text{GRU}((e_{t-1}, c_t), h_{t-1})\n$$\n\n$e_{t-1}$ 为前一步解码结果 $y_{t-1}$ 的嵌入向量。\n\nDAN 的损失函数为：\n\n$$\n\\text{Loss} = -\\sum_{t=1}^{T} \\log P(g_t | I, \\theta)\n$$\n\n其中，$\\theta$ 为 DAN 中的所有可训练参数，$g_t$ 为步骤 $t$ 的真实标签。\n\n\n> [!TIP]\n> \n> **CAM 的灵活性与 1D/2D 识别模式**\n> \n> 通过控制降采样比例 $r_h$ 和改变 CAM 的步距，DAN 可以在 1D 和 2D 模式之间切换：\n> \n> - 当 $H/r_h = 1$ 时，DAN 成为 **1D 识别器**，适用于长而规律的文字识别。\n> - 当 $H/r_h > 1$ 时，DAN 成为 **2D 识别器**，适合不规则文字的场景识别。\n\n\n### 手写文字识别训练策略\n\n选用两个验证用的数据集：\n\n1. **IAM 手写数据集（IAM Dataset）**\n\n   - 基于 LOB 语料库的手写英文文字。\n   - **训练集**：747 份文档（6,482 行）\n   - **验证集**：116 份文档（976 行）\n   - **测试集**：336 份文档（2,915 行）\n\n2. **RIMES 手写数据集（RIMES Dataset）**\n   - 包含手写法文信件。\n   - **训练集**：1,500 段落（11,333 行）\n   - **测试集**：100 段落（778 行）\n\n在两个数据集中，使用整行文字的训练集，并采用开源数据增强工具进行训练。\n\n将输入图像的高度归一化为 192，宽度依照原始比例缩放（最大至 2048）。为了将特征图降为 1D，在特征编码器的末端添加了一个尺寸为 $3 \\times 1$ 的卷积层。\n\n将 $maxT$ 设为 150，以涵盖最长的文字行。所有 CAM 的卷积层（除了最后一层）设置为 128 个通道，以处理最长的文字长度。\n\n在 RIMES 测试时使用六种预定策略裁剪图像，例如 {10,10} 表示裁剪掉上方和下方各 10 行。将所有裁剪结果与原始图像进行识别，平均输出概率计算分数，并选择最高分数的结果作为最终结果。\n\n性能指针使用 **字符错误率（CER%）** 和 **单词错误率（WER%）** 作为评估指针：\n\n$$\n\\text{CER / WER} = \\frac{\\text{编辑距离}}{\\text{标准答案中的字符数 / 单词数}}\n$$\n\n编辑距离计算识别结果与真实标签之间的差异。\n\n实验过程中未使用任何语言模型或词典，确保模型性能的纯粹性。\n\n### 场景文字识别训练策略\n\n选用七个常见的场景文字数据集：\n\n1. **规则场景文字数据集**：\n\n   - **IIIT5K-Words**：来自网络，共有 3,000 张裁剪后的单字图像。\n   - **Street View Text (SVT)**：来自 Google Street View，共 647 张单字图像。\n   - **ICDAR 2003 (IC03)**：包含 251 张标注有文字框的场景图像，总计 867 张裁剪图像。\n   - **ICDAR 2013 (IC13)**：基于 IC03 扩展而来，共 1,015 张裁剪图像，无词典辅助。\n\n2. **不规则场景文字数据集**：\n   - **SVT-Perspective (SVT-P)**：来自 Google Street View 的侧视角图像，共 639 张裁剪图像。\n   - **CUTE80**：专注于曲线文字，包含 80 张高分辨率自然场景图像，共 288 张裁剪图像。\n   - **ICDAR 2015 (IC15)**：包含 2,077 张裁剪图像，其中大部分为模糊且多方向的图像。\n\n---\n\n训练数据使用两组合成文字数据集 MJSynth 和 SynthText。输入图像大小高度设为 32，宽度根据原始比例缩放（最大至 128）。\n\n其他模型参数设置：\n\n- $maxT = 25$，表示最大输出步骤为 25。\n- CAM 的深度 $L = 8$，除了最后一层外，其余层的通道数设为 64。\n- 使用 **bi-directional decoder** 进行最终预测。\n- 采用 **ADADELTA** 进行优化，初始学习率为 1.0，第三轮后降为 0.1。\n\n## 讨论\n\n### 手写文字识别性能\n\n\n\n![performance](/content/papers/assets/69871273a13cbc1b0b9490ab438410bdeb134ee57ab1abf05df50baf71f31217.jpg)\n\n\n\n- **IAM 数据集**：\n\n  - **DAN 在 CER 上优于**先前的 SOTA 模型，**降低 1.5 个百分点**（7.9% 至 6.4%）。\n  - **WER**：虽然 (Bhunia et al., 2019) 的模型在 WER 上表现较佳，但他们的模型需要裁剪后的单字图像，而 **DAN** 能直接识别整行文字，显示出更大的应用弹性。\n\n- **RIMES 数据集**：\n  - **CER**：DAN 为 2.7%，比表中先前最低的 2.9% 低 0.2 个百分点。\n  - **WER**：相对于 SOTA，**降低 3.7 个百分点**（12.6% 至 8.9%，相对误差减少约 29%）。\n  - 作者认为 WER 的改进反映了模型学习语意信息的能力，对长文字识别有帮助。\n\n### 消融实验\n\n\n\n![ablation](/content/papers/assets/a0ab4eafe6298abaa12dd3145a57030f109d010a49130859781f35c7d004439c.jpg)\n\n\n\n在测试的输出长度 150、200、250 下，WER／CER 几乎相同；TITAN X GPU 上每次前向推论时间由 188.7 增至 190.5 毫秒。只要设置的输出长度合理（长于文字本身），这组实验中的 DAN 性能变化很小。\n\n\n\n![ablation](/content/papers/assets/bacd672b43fcd839f3e999c2a24ff75a50a38a1f66a2d3444415c3b56ede0851.jpg)\n\n\n\n随着深度 L 的减少，DAN 的性能「显著下降」，表明 CAM 需要足够的深度来达到良好的对齐效果。要成功对齐一个字符，CAM 的感受野（receptive field）必须足够大，以覆盖该字符及其相邻区域的特征。\n\n### 对齐错误分析\n\n\n\n![error analysis](/content/papers/assets/9779bc2be00dc9454aa814e1a86fb3070f321d7ebd2018a216a847b876a0bbf3.jpg)\n\n\n\n分析方式为找出具有最大注意力分数的区域作为「注意力中心」。\n\n若当前的注意力中心位于上一个中心的「左侧」，记录为一次错误对齐。将测试样本根据文字长度分为五组：[0, 30)、[30, 40)、[40, 50)、[50, 60)、[60, 70)，每组包含超过 100 个样本。每组的错误对齐数据加总后，计算每张图像的平均错误对齐次数（MM/img）。\n\n结果显示 CER 改进与错误对齐减少的趋势大致一致，支持作者将性能提升归因于减少错误对齐的解释。\n\n下图显示了 DAN 消除错误对齐的范例，最上层是输入图像，中间是基于传统注意力机制的对齐结果，最下层是 DAN 的对齐结果。\n\n\n\n![error analysis](/content/papers/assets/d543e916d7e3167711a2b645c22d973bed460cd1ebb1de370e31d856fcbd8112.jpg)\n\n\n\n### 识别错误分析\n\n\n\n![error analysis](/content/papers/assets/1baf057f5a23afc83875bb71aa13544fd817631ca26448536219dab1e437f1ad.jpg)\n\n\n\n作者展示了 DAN 的错误范例，如上图：\n\n1. **(a)**：字符「p」被错误识别为「e」，原因是手写风格让两者难以区分。即使对人类而言，若无上下文也难以判断。\n2. **(b)**：由于两个单词之间的距离过近，导致识别器忽略了空格符号。\n3. **(c)**：一些杂讯纹理被 DAN 错误识别为文字。\n\nDAN 在这些错误案例中仍展现出比传统注意力机制更强的强健性，在杂讯干扰的情况下，传统注意力容易出现不可预测的错误，因为对齐操作被干扰。而 DAN 即使产生额外结果，也能保持对齐的稳定性。\n\n### 场景文字识别性能\n\n![performance](/content/papers/assets/e98e10ad9cbaf47add5afdba2ef36c065b281c66a04906ee0c7370a66c72dc6a.jpg)\n\n- **规则场景文字识别**：\n\n  - 在 **IIIT5K** 和 **IC03** 上，DAN 达到**最新的 SOTA 性能**。\n  - 在 **SVT** 和 **IC13** 上，DAN 与 SOTA 模型表现相近，略有差距。\n  - **DAN-1D** 在 IC03 和 IC13 上表现更佳，因为这些数据集的图像**干净且规则**。\n\n- **不规则场景文字识别**：\n  - DAN-2D 在 **SVT-P** 和 **CUTE80** 上达到 SOTA 性能，并且在 2D 模型中表现最佳。\n\n### 稳健性研究\n\n![robustness](/content/papers/assets/cf673c0542f874e1a0269f09c3171b2491bcce2467535c14a03909fd1c7a402b.jpg)\n\n作者在 **IIIT5K** 和 **IC13** 数据集上进行扰动测试，并将 DAN 与 **CA-FCN** 比较。\n\n上表中作者使用了多种不同的扰动策略：\n\n1. **IIIT-p**：重复边界像素，将图像垂直和水平各填充 10% 的高度和宽度。\n2. **IIIT-r-p**：\n   - 沿高度与宽度随机拉伸图像的四个顶点（最大至 20%）。\n   - 使用边界像素填充成四边形图像，并转回对齐的矩形图像。\n3. **IC13-ex**：在裁剪前将文字框扩展 10%。\n4. **IC13-r-ex**：沿高度与宽度随机扩展文字框（最大 20%）形成四边形，再裁剪其外接的轴对齐矩形。\n\n以相对准确率下降比例比较，DAN-1D 在 IIIT-p、IC13-ex 较稳定；DAN-2D 另在 IC13-r-ex 略优，但两者在 IIIT-r-p 都不如 CA-FCN。\n\n## 结论\n\n作者从一开始就明确的指出了注意力图的问题，并提出了解耦式的解决方案。\n\nDAN 在文字识别任务中展现了其独特的价值，凭借其灵活性、稳健性及高性能，成为解决对齐错误的一个有效工具。虽然 DAN 在面对纹理相近的杂讯时仍有改善空间，但其简单的架构和无需词典的设计，让它在各类文字识别任务中都能达到良好的效果。\n\n\n> [!TIP]\n> \n> 如果今天要解码（$maxT$）的长度非常长，解耦式的注意力图可能会消耗非常多的资源，这时候就需要考虑一下模型的性能问题。但大部分的应用场景，$maxT$ 通常不会太长，所以问题不大。\n","imageSizes":{"/content/papers/assets/f568e2f37901469978e4e298a0d386b79de1e1282899f23aa1d075e001a019b1.jpg":{"width":1486,"height":646},"/content/papers/assets/e53f7bec264bbeb70e49cb487f7356d7b9d8b657cecebf15e670b6f48aaa7cfe.jpg":{"width":1478,"height":420},"/content/papers/assets/9e49d5de15ae52fd1b2e2fe2d2e52dddda6b73889ab2da09ac141657e93593cd.jpg":{"width":1022,"height":492},"/content/papers/assets/e803c2fa2d42a4bee3454dc3234fab3f98749cf5cbb84ac44488e3f9b8793eab.jpg":{"width":1478,"height":540},"/content/papers/assets/b332721594f90d74262b7c889f3b49df6568f327b0975a1543f63a5813210637.jpg":{"width":900,"height":912},"/content/papers/assets/69871273a13cbc1b0b9490ab438410bdeb134ee57ab1abf05df50baf71f31217.jpg":{"width":1024,"height":560},"/content/papers/assets/a0ab4eafe6298abaa12dd3145a57030f109d010a49130859781f35c7d004439c.jpg":{"width":852,"height":268},"/content/papers/assets/bacd672b43fcd839f3e999c2a24ff75a50a38a1f66a2d3444415c3b56ede0851.jpg":{"width":940,"height":452},"/content/papers/assets/9779bc2be00dc9454aa814e1a86fb3070f321d7ebd2018a216a847b876a0bbf3.jpg":{"width":1064,"height":428},"/content/papers/assets/d543e916d7e3167711a2b645c22d973bed460cd1ebb1de370e31d856fcbd8112.jpg":{"width":1344,"height":866},"/content/papers/assets/1baf057f5a23afc83875bb71aa13544fd817631ca26448536219dab1e437f1ad.jpg":{"width":896,"height":1080},"/content/papers/assets/e98e10ad9cbaf47add5afdba2ef36c065b281c66a04906ee0c7370a66c72dc6a.jpg":{"width":1224,"height":532},"/content/papers/assets/cf673c0542f874e1a0269f09c3171b2491bcce2467535c14a03909fd1c7a402b.jpg":{"width":1880,"height":232}}}
