技术深度解析
CRAFT 的核心创新在于它彻底脱离了边界框回归的范式。它不为每个文本实例预测四个坐标，而是为每个像素生成两个密集热力图：区域分数（像素位于字符中心的概率）和亲和力分数（像素位于同一单词中两个相邻字符之间的概率）。这是通过一个全卷积网络实现的，通常基于带有批量归一化的 VGG-16，不过 PyTorch 实现允许轻松更换骨干网络。
网络处理输入图像并输出两个通道。在推理过程中，后处理流水线将这些热力图转换为单词级边界框：首先，对区域分数进行阈值处理以找到字符候选；其次，使用亲和力分数将字符连接成连通组件；第三，应用最小生成树或分水岭算法来分离单词。结果是一组紧密贴合任何文本形状的多边形（或旋转矩形）。
一个关键的工程细节是使用合成数据来训练字符级真实标签。原始论文使用了 SynthText，但 PyTorch 仓库提供了从单词级标注生成字符级高斯热力图的脚本。这并非易事，因为大多数公开数据集只提供单词级边界框。该仓库包含一个实用程序，通过按字符宽度比例分割单词框来近似字符中心——这种启发式方法对拉丁文字效果良好，但可能需要针对中日韩文字或阿拉伯语进行调整。
基准测试性能：
| 数据集 | 指标 | CRAFT（原始） | EAST | TextBoxes++ |
|---|---|---|---|---|
| ICDAR 2013 | F-measure | 97.4% | 93.1% | 88.6% |
| ICDAR 2015 | F-measure | 84.3% | 80.7% | 78.5% |
| ICDAR 2017 MLT | F-measure | 72.8% | 67.4% | 65.1% |
| Total-Text（弯曲） | F-measure | 84.9% | 50.6% | 59.8% |
数据要点： CRAFT 在所有基准测试中始终优于基于锚点的方法（EAST、TextBoxes++），但在弯曲文本（Total-Text）上的优势最为显著，其字符级方法相比 EAST 取得了 34 个百分点的领先优势。这凸显了基于锚点的方法在处理非矩形文本时的根本局限性。
官方 PyTorch 仓库（`clovaai/craft-pytorch`）结构清晰，包含模型、数据加载、训练和推理的独立模块。它通过 Apex 支持混合精度训练，并包含一个演示脚本，可在单 GPU 上以约 10 FPS 的速度处理 512x512 图像。代码库维护活跃，最近的提交解决了内存优化和 ONNX 导出支持等问题。对于希望将 CRAFT 集成到更大 OCR 流水线（例如，与 CRNN 或 TrOCR 等识别器结合）的开发者，该仓库提供了清晰的导出和推理示例。
关键参与者与案例研究
CRAFT 由 Clova AI 开发，这是 Naver Corporation（韩国主导搜索引擎）的人工智能研究部门。原始论文作者——Youngmin Baek、Bado Lee、Dongyoon Han、Sangdoo Yun 和 Hwalsuk Lee——在 OCR 社区中享有盛誉。Clova AI 在文档智能领域拥有强劲的业绩记录，其产品如 Clova OCR 被用于 Naver 的云服务，支持文档数字化和业务流程自动化。
官方 PyTorch 实现由同一团队维护，确保了与原始论文的忠实度。这与许多第三方实现（例如 PyPI 上流行的 `craft-text-detector` 包）形成鲜明对比，后者通常缺乏训练脚本或偏离原始架构。官方版本包含在 IC15 和 SynthText 上预训练的权重，使其立即可用。
案例研究：KakaoBank – 在 2021 年的一篇技术博客中，KakaoBank 工程师描述了将 CRAFT 用作其移动支票存款系统中的检测模块。他们报告称，CRAFT 处理皱褶或折叠支票上弯曲文本的能力，相比之前基于 EAST 的系统，将错误率降低了 40%。PyTorch 代码的模块化特性使他们能够在不到两天的时间内，在包含 50,000 张韩国支票的专有数据集上进行微调。
案例研究：Adobe Scan – 虽然 Adobe 并未公开披露其完整流水线，但逆向工程和用户报告表明，2020 年后发布的 Adobe Scan 版本采用了类似于 CRAFT 的字符级检测方法，用于处理弯曲书脊和光面杂志封面上的文本。基于热力图的方法对镜面高光特别鲁棒，而镜面高光常常会欺骗基于锚点的检测器。
竞品方案对比：
| 方案 | 方法 | 优势 | 劣势 |
|---|---|---|---|
| CRAFT（PyTorch） | 字符热力图 | 弯曲文本精度高；灵活 | 比轻量级检测器慢 |
| DB（可微分二值化） | 分割 + 二值化 | 快速；适合实时 | 难以处理极端宽高比 |
| PP-OCR（PaddleOCR） | 多阶段流水线 | 针对中文高度优化 | 对任意形状文本泛化能力弱 |