使用对比学习技术改进训练数据、模型架构和推理过程，合成数字墨迹的长文本问题得以解决，可减少字符错误率，并通过人类研究证明生成数据真实可信。

Nov, 2023

数字记事正在流行，我们的研究 InkSight 致力于通过转换手写笔记到数字墨迹来弥合数字记事和传统纸笔记的差距，这是第一个有效地将手写文本转换为各种具有不同视觉特征和背景的照片的工作。

Feb, 2024

通过研究数字墨水生成模型的多种采样和排名方法，本文提出了在计算预算内最大化输出质量的方法，这在英文、越南文和数学公式的多个数据集、两种模型类型和两种常见墨水数据表示中得到了证实，所有组合中，这都可以使合成墨水的识别率有意义的提高，有时甚至可以使字符误差率度量减少一半以上，并描述了一种选择最佳采样和排名方法组合的方法。

Jun, 2023

该研究通过提出一种基于书法风格特征和文本内容来调节生成过程的方法，使生成的手写单词图像更真实和多样化。该模型不受预定义词汇的限制，能够渲染任何输入的单词，并且在少量样本的情况下能够模仿样本写手的书法特征。研究通过定性、定量和基于人的评估显著超越了以往的研究。

Mar, 2020

本文介绍了一种创新的、完整的端到端流程，采用深度学习和用户交互技术，对印刷和草书英文手写手稿进行注释，该方法使用了最先进的文本识别模型构建的检测系统和自定义的深度学习模型，结合易于使用的交互式界面，旨在提高检测、分割、序列化和识别阶段的准确性，以确保高质量的注释数据，最大程度地减少人类交互。

Apr, 2023

本研究提出了一种基于深度生成对抗网络的自动书法生成模型，能够生成具有专业水准的风格书法字体。该模型使用高精度书法合成方法构建数据集，邀请专业书法家进行图灵测试以评估模型生成结果与人类艺术水平之间的差距，实验结果表明该模型是目前书法生成方法中的最佳效果。

Dec, 2023

使用改进的 DCGAN 架构和强化学习技术，本文提出一种智能系统，旨在学习实体的手写字体，可以用于鉴别伪造文件、签名验证、计算机生成艺术和文件数字化等领域。初步实现结果表明，该算法在 MNIST 数据集上表现优异。

Nov, 2016

本文针对自然图像中的文本编辑问题，提出了一个端到端的训练风格保留网络（SRNet）来实现文本内容的替换和修改，实验证明与其他方法相比，该方法在视觉效果和定量结果上表现良好。

Aug, 2019

该研究引入了一个名为 DeepWriterID 的系统，该系统利用深度卷积神经网络进行笔迹、手写体识别，并引入了一种名为 DropSegment 的新方法来实现数据增强和改善 CNN 的泛化适用性。通过在笔放置状态下只使用笔位信息，该系统在 NLPR 手写数据库中实现了 95.72％的中文文本识别率和 98.51％的英文文本识别率，创造了新的最高记录。

Aug, 2015

本研究提出了一种基于 Transformer 模型生成手写文本，并将文本表示为密集向量序列的方法，其可用于生成含有少量样本的手写文本，使得即使在训练期间很少看到的字符也能够从它们的视觉原型中生成。

Mar, 2023