画像に含まれるテキストラベルのみから、テキストの検出・領域分割・認識の3タスクを弱教師あり学習(WSL)でE2Eに解く。学習は2段階になっており、事前学習として(3タスクの教師データが付与された)SynthTextデータセットで教師あり学習(SL)、Fine-tuneとしてSynthTextデータセットでのSLとテキストラベルのみが付与されたRealデータでのWSLをミックスした学習を行う。