TextRIRO：仅用真实数据能否完成场景文本编辑？

TextRIRO 通过真实图像扰动构造自配对训练数据，并基于条件扩散模型完成场景文本编辑。Shuffle&Crop 在破坏文本语义的同时保留关键风格线索，使模型在真实场景基准上提升准确性与视觉真实性，并缓解合成到真实的域差距。团队还构建了用于长文本识别的 TextRIRO-3M，训练识别模型后显著提高识别准确率，代码已公开。