通过对大型基准数据集和通过手写文本生成模型产生的合成数据集的研究，本文提出在大数据集上预训练手写文本识别模型，并在少量带有个人特点手写的小规模数据集上进行微调，以有效转录手稿。

May, 2023

本文提出一种无监督的写手适应方法，使用合成字体完全训练出的识别器自动适应新的入职写手，从而提供了一种实用且通用的方法来处理新的文档收集，而不需要任何昂贵和繁琐的手动注释步骤。

Sep, 2019

本文介绍了一种解读大量手写历史词典索引卡的方法，使用一种特别设计的手写文本识别解决方案，包括优化的检测模型，SPN、RCNN 和 CTC 三种卷积神经网络结构，以及基于约束的单词匹配算法。该方法在波兰 17th-18th 世纪历史词典的 2.8 万个索引卡上取得了 0.881 的准确率，为将来的 HTR 应用提供了可行的思路。

Mar, 2023

手写识别中，深度学习取得了显著成就。然而，神经网络在处理数据分布转变时存在问题。本文讨论如何使手写识别模型能够自适应不同风格的书写，通过使用少量新人笔迹的例子进行适应。通过两种基本模型以及模型无关元学习和作家代码两种方法，实验结果表明 MetaHTR 在适应性上优于基准模型，提高了 1.4 到 2.0 的词错误率，并且深层模型适应性好于浅层模型。然而，MetaHTR 在更大模型或句子级别的手写识别中的计算和内存需求可能变得不切实际，而基于学习特征或 Hinge 统计特征的作家代码并未提高识别性能。

Jul, 2023

本文研究基于深度学习的方法在离线手写中文文本识别领域的应用，使用只有卷积神经网络的模型和 CTC 损失函数实现，采用 Dropout 方法以防止过拟合，最终在 ICDAR 2013 竞赛数据集上实现了 6.81% 的字符错误率，为同等条件下最好的研究结果。

Jun, 2020

手写文本识别已得到迅速发展，本论文通过实验证明了在预处理、CNN 架构和 CTC 损失三个方面的简单修改，可以提高手写文本识别系统的性能。

Apr, 2024

手写文本识别 (HTR) 是计算机视觉中一个相关的问题，由于其固有的可变性和对其解释所需的丰富的环境依赖性，其面临独特的挑战。本文研究了一种名为空间上下文自我监督学习（Spatial Context-based SSL）的方法，并探索了该方法在 HTR 中的应用和优化。我们的实验表明，所考虑的方法在一些基准案例中推动了 HTR 领域自我监督学习的最新技术进展。

Apr, 2024

本文提出了一种新颖的元学习框架，该框架可以在推理过程中通过支持集合利用额外的新作者数据并通过单个梯度步更新输出作者自适应模型，这个模型可以在最先进的 HTR 模型之上轻松实现，并且可以在极少的新风格数据下实现平均 5-7% 的性能提升。

Apr, 2021

本文介绍了一种支持 102 种语言的在线手写系统，采用深度神经网络架构和贝塞尔曲线的新输入编码，与之前的系统相比降低了 20%-40% 的错误率，并在 IAM-OnDB 数据集上取得了新的最优结果。通过实验确定了模型的最优配置，并在多个公共数据集上进行了评估。

Feb, 2019

该文章介绍了一个新的离线手写文本识别数据集，集中在孟加拉文字的图像上，该数据集包括 788 张手写页面图像和一个用于无监督聚类线分割的方案。该数据集可以用于各种手写文档识别、词识别、词或行分割等任务。

May, 2022