我们的研究通过合成数据的方法，为古代亚述文字符号生成了大规模的数据集，以此训练人工神经网络以提高掌握这些古代碑文的能力。通过验证实验，我们验证了该模型在处理多样的真实场景中的能力，并证明了我们合成数据方法的可行性，避免了对稀缺的训练数据的依赖，从而提高了对受损碑文的解读准确性和对历史资源的知识提取。

Oct, 2023

该论文围绕密码手稿展开，运用经典密码算法，发展出无监督模型实现字符分割、图像聚类和破解密文等多种技术，可自动将手稿图像转化为文本。

Oct, 2018

本篇论文研究了手写文本与印刷文本重叠造成的光学字符识别（OCR）和数字化过程中的困难，并引入了一个新的数据集和模型，以改善对重叠部分的识别性能。最佳配置的 IoU 得分相较于先前的工作，在两个不同的数据集上分别提高了 17.9% 和 7.3%。

Jul, 2023

近期，深度生成模型在各类任务中取得了创建逼真图像的重要进展，然而，这些生成的图像往往在特定区域出现知觉上的瑕疵，需要手动修复。本研究通过全面的实证研究，提出了感知性瑕疵定位（PAL）的方法，跨越多样的图像合成任务。我们引入了一个新的数据集，包括 10,168 个生成图像，每个图像都有基于像素级的感知性瑕疵标签，覆盖了十个合成任务。在我们提出的数据集上训练的分割模型有效地定位了各类任务中的瑕疵。此外，我们还展示了该模型在使用极少的训练样本下适应之前未见过的模型时的高效性。我们进一步提出了一种创新的放大补全流程，能够无缝修复生成图像中的感知性瑕疵。通过实验分析，我们阐明了几个实际的下游应用，如自动瑕疵修复、非参考图像质量评估以及异常区域检测。该数据集和代码已经发布。

Oct, 2023

本文提出了一种基于生成模型的新型语义图像修复方法，该方法可在缺失的内容相互独立的情况下进行推理，并取得超越其他方法的像素级真实感。

Jul, 2016

这篇论文介绍了 Pythia，它是第一个使用深度神经网络从损坏的文本中恢复缺失字符的古代文本修复模型，在 PHI-ML 上实现了 30.1% 的字符错误率并在古代文字修复领域达到了最新水平。

Oct, 2019

利用基于像素的语言模型对历史文档进行像素遮罩重建，通过生成合成扫描以模拟真实历史文档，展示模型在像素遮罩重建和语言理解能力上的卓越效果，并成功应用于历史问答任务。

Oct, 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

本文综述了关于图像分割的研究，特别关注了基于深度学习模型的语义分割和实例分割方法，包括全卷积像素标定网络、编码器 - 解码器架构、多尺度与基于金字塔的方法、循环神经网络、视觉注意力模型和对抗生成模型。我们探讨了这些深度学习模型的相似性，能力和挑战，并讨论了未来的研究方向。

Jan, 2020

本文提出了一种基于卷积神经网络的手写历史文档图像页面分割方法，将页面分割视为像素标记问题，使用卷积神经网络从原始图像像素中学习特征，经实验验证，在不同的公共数据集上，该方法对比之前的方法，取得了更加有效和卓越的结果。

Apr, 2017