本文简要介绍ICCV2021录用论文“Joint Visual Semantic Reasoning: Multi-Stage Decoder for Text Recognition”的主要工作。作者提出了一种多阶段多尺度注意力解码器，用于执行联合视觉语义推理，从而进一步利用语义信息。第一阶段使用视觉特征进行预测，随后的阶段使用联合视觉语义信息进行优化。

由于复杂的背景、不同的字体、不受控制的照明、扭曲和其他人为因素，最先进的文本识别框架仍然难以适应各种场景[1]。当人类面对这些挑战时，我们可以通过联合视觉语义推理来很容易地识别它们。因此，“如何开发文本识别的视觉语义推理技能”是一个重点问题。

在野外场景中，文字图像可能会模糊、扭曲或部分失真，噪声或有伪影，这使得仅使用视觉特征识别非常困难。在这种情况下，我们人类会首先尝试仅使用视觉线索来解释易于识别的字符。然后，联合处理先前已经识别的字符序列的视觉和语义信息，应用语义推理技巧对最终的文本进行解码。