面向零样本手写中文字符识别的熵感知结构对齐

零样本手写中文字符识别（HCCR）旨在通过利用偏根语义组成来识别未见字符。然而，现有方法常将字符视为平坦的偏根序列，忽略了层次拓扑结构以及不同组件信息密度的不均衡。为此，本文提出一种熵感知结构对齐网络，通过信息论建模桥接视觉-语义鸿沟。首先，我们引入信息熵先验，通过乘法互作用动态调制位置嵌入，充当显著性检测器，优先识别判别性偏根而非常见组件。其次，我们构建双视图偏根树以提取多粒度结构特征，通过自适应 Sigmoid 门控网络集成，编码全局布局和局部空间角色。最后，设计了基于 Top-K 语义特征融合机制，通过利用语义邻居的质心来增强解码过程，有效通过特征层面的共识纠正视觉歧义。大量实验表明，我们的方法在 ICDAR 2013 数据集（$m=1500$）上建立了新的状态突破，准确率达 55.04%，显著优于在零样本设置下CLIP 基线方法。此外，该框架在数据效率方面表现突出，仅需每个类别一个支持样本即可实现 92.41% 的准确率。