本文提出了一种弱监督场景文本检测方法（WeText），通过学习未注释或弱注释数据来训练强大的准确的场景文本检测模型，充分利用少量全注释数据集训练的监督模型，探索将半监督和弱监督学习应用于大型未注释数据集和大型弱注释数据集。该方法能够显著提高场景文本检测性能，在仅使用 229 个完全标注的场景文本图像的情况下，弱监督学习仍能够实现最先进的性能。

Oct, 2017

本文提出了一种基于弱监督学习的场景文本生成方法，通过跨语言生成，将场景文本图片的内容和样式特征分离，并引入整合式注意力模块和预先训练的字体分类器以保证生成图片的完整内容结构以及填补不同语言文本风格之间的差距，实验结果显示，该方法显著提高了场景文本识别精度。

Jun, 2023

我们提出了一种通用的多语言文本检测框架，可以在场景图像中检测和识别已知和未知语言区域，不需要为未知语言收集有监督的训练数据或进行模型重新训练。

Mar, 2024

本篇论文提出了一种新的场景文本检索方法，使用交叉模态相似性学习直接匹配查询文本和自然图像中每个文本实例之间的相似性，并通过建立端到端可训练的网络来实现场景文本检测和交叉模态相似性学习的联合优化，在三个基准数据集上的实验表明该方法优于现有的场景文本检测 / 检索方法，尤其是联合检测和相似性学习的框架比分离方法性能更好。

Apr, 2021

本文提出了一种使用 transformer encoding 的新型端到端场景文本识别框架，并通过一种新的识别转换机制，在不需要额外的矫正模块或字符级别注释的情况下显式地引导文本定位，从而使该方法在多种数据集上显著优于现有方法。

Mar, 2022

本文提出了 SEE，一个用于自然场景文本检测和识别的半监督神经网络，它能够通过端到端的优化方式实现。相较于现有的多个深度神经网络和多个预处理步骤，SEE 提出了使用单一的深度神经网络的方案，该网络能够学习从自然图像中检测和识别文本，同时我们介绍了我们的新方法并在标准基准数据集上进行了一系列实验，证明了我们方案的可行性以及达到了与现有技术相比的竞争性结果。

Dec, 2017

该文提出了一种基于全局的语义分割方法来定位场景中的文本，使用单一的 FCN 模型估计文本属性，以同时处理水平，多方向和曲线文本，并在 ICDAR 2013、ICDAR 2015、MSRA-TD500 以及 COCO-Text 数据集上测试得到优于现有最先进方法的结果。

Jun, 2016

提出了一种新的场景文本识别方法，使用单点标注替代昂贵的边界框标注，将场景文本定位和识别视为序列预测任务，并使用自回归 Transformer 模型预测序列，可达到最先进的识别效果。

Dec, 2021

本论文提出了统一场景文本检测和布局分析任务，并介绍了一种能够同时检测场景文本和形成文本聚类的方法以及一个首个分层场景文本数据集，全面实验证明了所提出的统一模型在多个基线方法上实现了更好的性能，此外，该模型还在多个场景文本检测数据集上实现了最先进的结果，无需复杂的后处理。

Mar, 2022

通过语义一致性合成、视觉显著性确定和自适应文本外观模型等三个创新设计，提出了一种新的图像合成技术，用于生成大量标注数据，以用于训练准确和稳健的场景文本检测和识别模型。五个公共数据集的实验证明了该技术在训练精确和稳健的场景文本检测和识别模型方面的卓越性能。

Jul, 2018