本文介绍了公开可用的第一个波斯字体识别数据库，并使用卷积神经网络解决了这个问题。结果表明，提出的流程在新的数据集上获得了 78.0% 的前 1 精度，在 IDPL-PFOD 数据集上为 89.1%，在 KAFD 数据集上为 94.5%。此外，对于我们的数据集的一个样本，整个流程在 CPU 上平均耗时 0.54 秒，在 GPU 上为 0.017 秒。我们得出结论，CNN 方法可以用于识别波斯字体，无需额外的预处理步骤，如特征提取、二值化、标准化等。

Oct, 2023

本文提出了一种深度分解模型，用于字体分析，能够将内容与样式区分开来，并成功实现了从未见过的字体的笔画重构。

Oct, 2019

本文使用卷积神经网络 (CNN) 框架和示例为基础的印象估计方法，解决了从实际字体图像中估计字体印象的挑战性任务，并对真实书籍封面图像中的书籍流派和字体印象之间的相关性进行了量化和定性分析。

Feb, 2024

本文提出了一种基于标签的大规模字体检索方法，通过构建包含近 20,000 字体、2,000 标签和数十万个字体 - 标签关系的数据集，设计了一种新型的生成特征学习算法，结合注意机制和识别 - 检索模型，有效提升了字体检索的性能。

Sep, 2019

本文提出一种无分割 OCR 系统，该系统将深度学习方法、数据增强方法和合成训练数据结合起来，使用大型文本语料库和 2000 多种字体渲染合成训练数据，并通过几何失真和提出的 alpha-compositing 数据增强技术模拟复杂的自然环境，并采用 CNN 编码器以提取文本图像特征，检验了序列模型与卷积模型在模拟输入元素交互方面的能力。

Jun, 2019

本文提出了一种基于 Transformers 的增强型 DeepVecFont 方法，通过使用放松表示方法以处理长序列数据，并使用采样辅助点对生成的 Bézier 曲线或线条进行精确定位，最终通过一种基于上下文的自我完善模块解决 DeepVecFont 所存在的问题，提高了英文和中文复杂结构和各种风格的矢量字体综合表现。

Mar, 2023

提出了用于无监督字体生成的新型可变形生成网络（DGFont），利用特征变形跳过连接（FDSC）和可变形卷积层等技术，生成高质量和完整结构的字符图像。

Apr, 2021

本文介绍了一种用于在图像中修改文本的方法，该方法使用两种不同的神经网络体系结构生成目标字符，以实现透明性、一致性和准确性，旨在通过在图像上直接编辑文本来纠正错误、恢复文本和提高图像可重用性。

Mar, 2019

提出了 FontDiffuser，一种基于扩散的图像生成方法，通过将字体模仿任务创新地建模为一个噪声去噪范式，有效地组合了全局和局部内容线索以提高复杂字符的精细笔画保留，并通过引入一个精心设计的风格对比损失利用风格提取器解耦图像中的风格，以更好地处理风格转移中的大规模变化。与之前的方法相比，FontDiffuser 在生成多样字符和风格方面表现出卓越的性能，特别是在处理复杂字符和大的风格变化时。

Dec, 2023

本文介绍了一种利用快速区域卷积神经网络模型的自动图形标志检测系统，通过使用预处理阶段的候选窗口选择性搜索和数据增强提高标志识别率，实现了对图形标志的多重检测。实验结果表明，与手工模型以及其他特征的最新系统相比，该模型在噪声和其他转换下具有出色的性能。

Apr, 2016