Meta AI的Nougat能够将数学表达式从PDF文件转换为机器可读文本

大多数科学知识通常以可移植文档格式（PDF）的形式存储，这也是互联网上第二突出的数据格式。然而，从这种格式中提取信息或将其转换为机器可读的文本具有挑战性，尤其是在涉及数学表达式时。

为了解决这个问题，以前的研究提出了光学字符识别（OCR），这是一种检测和分类图像中单个字符和单词的有效技术，通过将科学文献视为图像来处理科学文献，但它们无法捕捉句子之间的关系逐行处理句子。

在一篇新论文《Nougat：学术文献的神经光学理解》中，Meta AI研究团队提出了学术文献的神经光学理解（Nougat），这是一种视觉转换器模型，可以有效地将PDF格式存储的科学文献转换为轻量级标记语言，甚至涉及密集的数学方程式。

该团队将他们的主要贡献总结如下：

1、发布能够将PDF转换为轻量级标记语言的预训练模型。我们在 GitHub 上发布代码和模型。

2、我们引入了一个管道来创建数据集，用于将 PDF 与源代码配对。

3、我们的方法仅依赖于页面的图像，允许访问扫描的纸张和书籍。

拟建的Nougat以Donut建筑为基础。Swin-Transformer编码器将文档图像作为输入，并输出一系列潜在嵌入。接下来，通过具有自回归方式的交叉关注的变换器解码器架构，将编码图像解码为令牌序列。最后，输出被投影到词汇表的大小。

值得注意的是，研究人员利用视觉文档理解的最新进展来完成新的OCR任务，但与以前的方法相反，Nougat不需要依赖OCR或嵌入式文本表示，只需要光栅化的文档页面。

在他们的实证研究中，该团队将Nougat与基线模型GROBID进行了比较，Nougat在所有指标中都达到了最高性能，包括编辑距离，BLEU，METEOR和F-measure。

总体而言，这项工作表明，Nougat不仅具有从数字出生的PDF中提取文本的巨大潜力，而且可以处理扫描的纸张和教科书。该团队希望他们的工作可以作为未来相关领域更多研究的起点。

该代码可在项目的GitHub上找到。

论文Nougat：arXiv学术文献的神经光学理解。