现实世界文档中的离线签名验证
使用卷积 Siamese 网络，Modi 等人提出了一种离线笔迹验证的方法，其在多语言脚本和手写风格的模拟中，能够显著优于现有数据集上的最新结果，这为进一步研究提供了奠定基础。
Jul, 2017
通过使用深度卷积神经网络和 GPDS 数据集，本研究提出了一个更好的离线手写签名验证方法，它在记录一定个人签名技能的伪造签名的情况下取得了 2.74% 的等错误率，并对模型进行了视觉和错误分析。
Jul, 2016
提出了一种基于一致性阈值距离分类器准则的离线依赖作者的签名验证方法，通过 SigNet 和 SigNet-F 深度卷积神经网络模型提取的特征，最小化了假接受率，并在多个数据集上进行了实验证明了该方法相比现有的文献成果，在减小误分类错误的同时，将冒充者获取敏感文档或交易的风险降到最低。
Jan, 2024
该研究引入了一种新方法，在任务特定数据有限或不可用的领域中，利用现有专家模型的知识来训练新的卷积神经网络。该方案应用于脱机手写签名验证（OffSV），通过特征为基础的知识蒸馏（FKD）和全局相似性度量，仅使用手写文本数据来监督学生的训练，从而使得训练出的模型在三个常用签名数据集中达到与或超过教师模型的性能，而且在特征提取训练过程中无需使用任何签名，从而证明了利用现有专家模型克服 OffSV 和其他相关领域的数据稀缺性挑战的功效。
Aug, 2023
我们介绍了一个针对银行支票上的签名验证的新数据集，以及一种基于目标检测网络的无关笔迹的签名验证方法，该方法在检测和验证签名上取得了显著的进展，并提高了金融文件处理的安全性和效率。
Jun, 2024
本文提出了一种新颖的、面向自动签名验证任务的独立于作者的全局特征提取框架，其中包括一个自编码器和一个连体网络来实现样本的建模和分类，利用注意机制和降采样的技术，提高了框架的准确度，其简单性使其计算成本低，并且可以在 GPU、TPU 等设备上并行使用。在两个数据集上的实验表明，该方法相对于最佳报告结果取得了显著的准确度提高。
Dec, 2017
该论文研究了当没有参考签名可用时的自动签名验证问题，提出了三种方法来自动估计一组离线签名的共同作者，其中包括使用重复签名创建分数相似度矩阵的第一种方法，使用每对签名的特征距离矩阵的第二种方法，以及基于每个签名的复杂性进行预分类的最后一种方法。实验证明，这些方法的性能优于人工志愿者的表现。
May, 2024
本文提出一种通过排名合成签名来学习动态签名表示的方法，以解决在自动签名验证中的高水平伪造攻击的问题。通过构建一个轻量级的一维卷积网络来学习排名，可以直接优化排名的平均精度，从而挖掘相对和细粒度的相似性，且无需从事实质的伪造行为即可进行训练，并在两个公共基准上远超过现有技术水平。
Nov, 2019