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

文章提出了一种数据高效，端到端的神经网络模型用于通用的非受限文本识别，并通过在七个公共数据集上达到最优结果，表明了这种模型的通用性和优越性。

Dec, 2018

介绍了一种新的自然图像中文本检测方法，它包括使用合成图像训练 Fully-Convolutional Regression Network (FCRN) 以高效执行所有位置和多个尺度的文本检测和边框回归，并且可以在 GPU 上处理 15 张图像 / 秒。

Apr, 2016

本文提出了一个自然场景文本识别的框架，使用深度神经网络模型和合成数据训练三种不同方式的单词识别模型，能够显著提高对标准数据集的性能表现，而且不需要任何人工标记数据和零数据采集成本。

Jun, 2014

本文针对旁遮普文字的光学字符识别任务，提出一种基于数学形态学的分割方法、深度卷积神经网络的分类模块及三次马尔可夫链式语言建模的末端至末端框架，取得了最新的错误率优化效果，并详尽阐述了深度学习实现过程中所需的众多技巧所依据的统计学理论。

Sep, 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

本研究提出了一种基于循环神经网络和卷积神经网络的光学字符识别错误自动纠正方法，针对历史藏书文献的 OCR 后置处理，以很高的效率在德语历史图书文献语料库中降低了字符误差率 32.3％以上。

Feb, 2021

本研究旨在通过对预训练基础 OCR 模型进行有效的参数微调，在各种下游任务中展示出卓越的性能。我们提出了一种基于预训练 OCR Transformer 的参数高效混合文本识别方法，即 DLoRA-TrOCR。该方法将 DoRA 嵌入图像编码器和 LoRA 嵌入文本解码器的内部结构，使得下游任务的参数微调更加高效。实验结果表明，与类似的参数调整方法相比，我们的模型 DLoRA-TrOCR 具有最少的参数，并且表现更好。它可以在包括混合手写、印刷和街景文本的复杂场景数据集上取得最先进的性能。

Apr, 2024

提出了一种基于连接主义时间分类丢失技术的无分割 OCR 模型，用于文本 captcha 分类。与现有模型相比，该模型在字符级别上达到了 99.80％的准确率，词级别上达到了 95％的准确率。采用无分割连接主义时间分类丢失技术处理变长复杂 captcha，将在保障软件系统安全方面得到广泛应用。

Feb, 2024

通过对 OCR 进行字符级图像检索建模，解决了现有体系结构在低资源情况下无法准确识别光学字符识别问题的不足，并为社区参与使数字历史更具代表性开辟了新的途径。

Apr, 2023