文章探讨了手写文本生成（HTG）技术如何提升低资源场景下的手写文本识别（HTR）性能。通过系统评估三种主流HTG模型（生成对抗、扩散和自回归模型），研究发现自回归模型Emuru在风格保真度上表现最佳，尤其适用于零样本HTR任务。实验表明，当真实数据少于130个样本时，风格相似性对HTR性能至关重要；而数据量较大时，数据多样性成为主导因素。此外，文章提出了基于字符错误率（CER）的过滤策略，为低资源HTR场景下的模型选择和优化提供了实用指南。
历史手稿的数字化面临独特挑战，尤其是当手稿数量有限且风格独特时，传统HTR系统性能显著下降。HTG技术通过生成特定风格的合成数据，为低资源HTR提供了潜在解决方案。然而，不同HTG模型的实际效果尚未得到系统评估。
研究对比了三种HTG模型：基于生成对抗网络的VATr++、扩散模型DiffPen和自回归模型Emuru。这些模型分别代表了当前HTG领域的三大技术路线，各具特点。
实验表明，Emuru在风格保真度指标（HWD）上表现最优，能更准确地复现目标手写风格。这种优势在零样本HTR任务中尤为明显，其生成的合成数据可直接用于模型预训练。
当真实数据少于130个样本时，预训练数据的风格相似性对HTR性能起决定性作用。随着数据量增加，数据多样性成为提升模型泛化能力的关键因素。
基于CER的过滤策略能有效提升HTR性能，但过严的阈值会损失数据多样性。研究发现CER<0.30的阈值在平衡数据质量和数量方面表现最佳。
研究为低资源HTR场景下的模型选择和数据优化提供了实用指导。未来可进一步探索HTG模型在多语言、跨时代手稿上的泛化能力，以及更高效的过滤算法。