CLIP4STR：基于预训练视觉语言模型的简单场景文本识别基线 CLIP4STR：基于预训练视觉语言模型的简单场景文本识别基线 摘要 预训练的视觉语言模型（VLMs）已成为各种下游任务的基础模型。然而，场景文本识别（STR）方法仍然倾向于依赖仅在单一模态（视觉模态）上预训练的骨干网络，尽管VLMs具有成为强大场景文本识别器的潜力。例如，CLIP可以稳健地识别图像中的常规（水平）和非规则（旋转