本文提出了 SEE，一个用于自然场景文本检测和识别的半监督神经网络，它能够通过端到端的优化方式实现。相较于现有的多个深度神经网络和多个预处理步骤，SEE 提出了使用单一的深度神经网络的方案，该网络能够学习从自然图像中检测和识别文本，同时我们介绍了我们的新方法并在标准基准数据集上进行了一系列实验，证明了我们方案的可行性以及达到了与现有技术相比的竞争性结果。

Dec, 2017

本文提出了一种新颖的神经网络架构，将特征提取、序列建模和转录集成到统一框架中，用于场景文本识别，相比现有算法其具有端到端训练，不需要一定的词典限制，更加适合实际应用等优点，在标准测试数据上展现出更好的性能。

Jul, 2015

本文利用收集在 TextVQA 数据集的真实图像上的 900K 个文本单词，提出了任意形状的场景文本​​检测和识别系统 TextOCR，使用该系统训练的 OCR 模型 PixelM4C 在图像上进行场景文本​​推理，以达到新的 TextVQA 数据集上的最新性能水平。

May, 2021

本文提出了一种基于卷积神经网络的文本 - 卷积神经网络 (Text-CNN) 用于场景文本检测的系统，并通过多层和丰富的监督信息，包括文本区域掩模、字符标签和二分类文本 / 非文本信息来训练 Text-CNN 以提高其判别效能和鲁棒性。最终，该方法在 ICDAR 2013 数据集上取得了很好的效果。

Oct, 2015

本文提出了一种名为 TrOCR 的端到端文本识别方法，其中使用了预训练的图像 Transformer 和文本 Transformer 模型，不仅适用于印刷体和手写体，还适用于场景文本识别任务，并在准确率方面优于当前最先进的模型。

Sep, 2021

该研究提出了一种使用全卷积神经网络对自然图像中的文本进行检测的新方法，通过综合考虑本地和全局线索，以分层的方式定位文本线。通过组合显著地图和字符组件来估计文本行假设，并使用另一个卷积神经网络分类器预测每个字符的质心，以去除误判。该方法适用于处理多个方向、语言和字体的文本。在三个文本检测基准测试 MSRA-TD500、ICDAR2015 和 ICDAR2013 的性能方面，该方法实现了最先进的性能。

Apr, 2016

本文介绍用于场景文本识别的深度学习架构 GeoTRNet 的概念、理论、实现及实验结果，该架构专用于处理常规场景文本，只使用几何特征识别图像中的数字，具有优异的模型可部署性、数据隐私性、模型可靠性，同时具有最小化模型权重、更短的推理时间等优势。

Feb, 2023

该论文提出了一种基于卷积循环神经网络的统一网络，该网络可以同时定位和识别文本，通过端到端训练，提高了性能，在多个基准数据集上取得了竞争性的表现。

Jul, 2017

该研究提出了一种统一的网络，同时定位和识别文本，通过使用卷积特征和 $2$D 注意力模型实现对任意形状文本的鲁棒定位和识别，避免了中间过程，取得了包括正常及不规则文本在内的多个标准数据集的最佳表现。

Jun, 2019

本文提出了一种新的方法，使用空间图卷积网络（GCN）应用于 OCR 文本框，在文档图像中识别段落。通过线路分割和线路聚类两个步骤，从 OCR 结果的行中提取段落。每个步骤使用从边界框建立的贝塔骨架图，其中图边提供了有利于图卷积操作的高效支持。仅使用纯布局输入特征，GCN 模型大小比基于 R-CNN 的模型小 3~4 个数量级，同时在 PubLayNet 和其他数据集上实现可比较或更好的准确性。此外，GCN 模型在从合成训练数据到真实世界图像的转换，以及针对可变文档样式的适应性方面表现良好。

Jan, 2021