本文提出了一种新方法，利用神经网络在字符级别检测场景文本，解决了字符级注释不足的问题。该方法在多个基准测试中表现优越，具有高度灵活性，并探讨了字符感知模型在文本生成中的优势，特别是在视觉拼写任务上的显著提升。