本文介绍了 COCO-Text 数据集，该数据集基于 MS COCO 数据集，旨在推进自然图像的文本检测和识别。数据集中包含超过 173,000 个文本注释和超过 63,000 张图像，文本注释覆盖了文本的边界框、机器印刷文本和手写文本的分类、易读和难读文本的分类、文本的字体和可读文本的转录。本文还提供了数据集注释的准确性统计分析，并对三种最先进的光学字符识别方法在数据集上的表现进行了分析，结果表明文本检测和识别存在显著的不足，需要进一步研究。

Jan, 2016

本文介绍了 Out-Of-Vocabulary 2022 (OOV) 挑战的最终结果。通过这个挑战，我们发现了一种非常重要的问题，即识别在 OCR 模型的训练数据集中未见过的现场文本实例。通过构建一个包含 326,385 个图像的公共数据集，本次挑战收集了 4,864,405 个场景文本实例，形成了独立的验证和测试集。通过对结果进行深入分析，我们发现当前最先进的模型在新的学习设置下性能略逊。因此，OOV 数据集将是未来发展更具弹性和更加通用预测的场景文本模型的必要研究领域。

Sep, 2022

该论文介绍了一种基于深度学习的模型，用于漫画中的人物对话者检测，其中使用 Mange109Dialog 数据集来提高检测准确率。

Jun, 2023

我们提出了一种新的开放词汇文本识别框架 Pseudo-OCR，用于识别现实世界应用中的 OOV 词汇，通过伪标签生成模块、语义检测机制和质量感知边界损失等手段，我们利用真实图像生成大量伪 OOV 训练数据，并在品质上进行过滤和增强，实验结果表明我们的方法在八个数据集上的性能超过了现有技术，并在 ICDAR2022 竞赛中排名第一。

Mar, 2024

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

本文介绍了一种用于识别自然图像中非规则排列文字的新方法，称为任意方向网络（AON），它采用深度学习技术和注意力解码器来生成字符序列，并在多个数据集上取得了最新的性能。

Nov, 2017

介绍一个街景图中的大规模中文文本数据集，该数据集包含超过 30,000 张街景图中的大约 1 百万个中文字符，同时提供基准结果使用 AlexNet，OverFeat，Google Inception 和 ResNet 进行字符识别，使用 YOLOv2 进行字符检测。

Feb, 2018

本论文提出了一种名为 CoCo 的基于连贯性图和对比学习的模型，用于检测低资源情况下的机器生成文本；该方法采用预训练模型和图神经网络将文本表示为连贯性图，并使用改进的对比损失函数应对数据限制挑战，实验结果表明 CoCo 方法优于现有的最先进的方法。

Dec, 2022

本研究探究了广泛领域中的有效预训练任务，并提出了一种名为 SCOB 的前馈方法，通过缩小领域差距，利用字符级别的监督对比学习和在线文本渲染来有效地预训练文档和场景文本领域。广泛的基准测试表明，SCOB 通常改进了原始预训练方法，并达到了与最先进方法相媲美的性能。

Sep, 2023

本文提出一种无分割 OCR 系统，该系统将深度学习方法、数据增强方法和合成训练数据结合起来，使用大型文本语料库和 2000 多种字体渲染合成训练数据，并通过几何失真和提出的 alpha-compositing 数据增强技术模拟复杂的自然环境，并采用 CNN 编码器以提取文本图像特征，检验了序列模型与卷积模型在模拟输入元素交互方面的能力。

Jun, 2019