用深度学习方法从报纸图像中提取全文文章，以构建高质量数据集供大型语言模型预训练，达到对历史英语和历史世界知识有更好理解的目的。

Aug, 2023

本研究介绍了一种基于视觉和文本特征相结合的多模态方法，用于对历史报纸进行语义分割。该方法在 diachronic Swiss 和 Luxembourgish 报纸上进行了实验，结果显示多模态模型相较于强视觉基线模型进一步提升了高材料变异的鲁棒性和在不同时间和来源下的预测能力。

Feb, 2020

利用深度学习模型，我们在处理光学字符识别的历史报纸图片中的婚姻公告数据的文本分割任务上，表现显著优于现有技术。

Dec, 2023

该研究提出了一种具有特殊能力的孟加拉语 OCR 系统，该系统在保留结构、对齐和图像的同时，在重建文档布局方面表现出色。它采用先进的图像和签名检测进行准确提取，并为文字分割提供了专门模型以适应多样化的文档类型，包括计算机排版、凸版印刷、打字机和手写文档。该系统处理静态和动态手写输入，识别各种写作风格。此外，它还能识别孟加拉语中的复合字符。广泛的数据收集工作提供了多样化的语料库，而高级技术组件优化了字符和单词识别。额外的贡献包括图像、标志、签名和表格识别，透视校正，布局重建以及用于高效和可扩展处理的排队模块。该系统在高效准确的文本提取和分析方面表现出色。

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

OCRMiner 系统使用文本分析技术与布局特征相结合的方法从扫描文档图像中提取 (半) 结构化文档的索引元数据。该系统由多个相互连接的模块组成，使用开源 OCR 系统，其英文数据召回率达 90％，捷克语数据召回率为 88％。

Aug, 2022

本文调研了历史文献数字化领域的文献分割、文本行分割、文字检索、鉴定和提取等方面所采用的各种方法，讨论了低质量和复杂性文献自动文本行分割的挑战。

Apr, 2007

我们通过使用 Detectron2 库中的先进 Mask R-CNN 模型改进了 Bengali 文档的 DLA 模型的准确性，评估了三种变体，结果表明这些模型在准确分割 Bengali 文档方面非常有效，同时我们强调了预训练权重的重要性，拓展了 Mask R-CNN 在文档布局分析、高效文档管理和 OCR 研究中的适用性，并提出了未来微调和数据增强的发展方向。

Aug, 2023

本研究通过用户评估的方式，从用户角度研究了光学字符识别（OCR）质量对于历史信息检索的影响。实验表明，提高 OCR 质量显著地提高了历史报纸文章的被用户认为有用的程度。

Mar, 2022

本文提出了一种基于基线的文本行检测算法评估方案，无需二值化即可处理倾斜和旋转的文本行，同时在 ICDAR 2017 比赛中使用此评估方案并介绍了最新文本行检测算法的效果。

May, 2017