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

本研究提出了一个深度解释性的概率生成模型来分析印刷的早期现代文献中的字形。该模型引入神经网络来聚类提取的字形图像，以发现混杂多变的潜在模板。实验结果表明，我们的方法在无监督情况下发现文献中的字体，准确率优于刚性解释聚类和过度弹性的深度生成模型。

May, 2020

本文介绍了一种基于计算机视觉的算法，利用多样性特征融合和区域投票技术可以准确地搜索和定位艺术品中指定的图案或物体，有效地解决了大规模数字化艺术品数据集的图像检索问题。

Jul, 2021

该论文研究了使用精细字体识别技术对15至18世纪印刷书籍进行OCR的方法。作者们使用了一个新的数据集，其中包含了早期印刷书籍的OCR信息，并标记了每个字体的边界框。研究结果表明，字体风格对OCR性能有很大影响，所选模型的精细程度对结果也有积极影响。此外，作者们开发了一个本地字体组识别系统，可以在识别多种字体的文本行时取得更好的识别效果。

May, 2023

本文利用机器学习技术对早期现代(1500-1800)英文印刷书籍中的未知印刷机进行识别，特别关注匹配唯一损坏的字符类型值印迹到已知印刷机的作品上以提供证据，并设计了基于对比注意力度量学习方法来匹配字符图像对中的相似损伤以及随机数据合成程序以解决受监督数据不足问题。实验结果表明该方法在这一时期的印刷作品中成功匹配了有损坏的印刷品，并促进了对这些书籍起源和内容的研究。

Jun, 2023

通过降低虚假阳性和提高精确度的方法，我们在古代文献中增强了物体检测，并通过计算转换生成合成数据集，将视觉特征提取与物体检测过程相结合，进一步关联物体与其组成部分，并引入视觉特征图，从而深入分析和促进了有价值的历史文物，给古文字学领域带来了深远影响。

Jul, 2023

利用基础模型提取历史文献中的图像，并评估不同语言提示对人文学科不同级别的数据集上的效果。

Sep, 2023

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

本研究探讨了历史文本规范化对中世纪文书分类的影响，特别是在文档年代和位置检测方面。研究发现，虽然规范化在位置检测中略有改善，但却降低了年代识别的准确性，表明原始文本中包含的重要特征可能会被规范化掩盖。这提示我们在历史文本规范化时需谨慎，以保留对分类任务至关重要的文本特性。

Aug, 2024

本研究解决了当前自动摄影管理中的一个问题，即缺乏针对小语言群体的历史档案的标注和描述工具。通过对加泰罗尼亚档案的历史照片进行图像分析，我们提出了一种新颖的方法，通过生成系统定量分析历史资料的描述。研究结果为从业者提供了基于视觉适应和语言接近性的图像标注模型迁移学习工具和方向。

Sep, 2024