做研究的童鞋们简直要狂喜！

近来，Meta AI研究人员推出一款OCR神器Nougat，能够分分钟把PDF转换为MultiMarkdown。

各种复杂数学公式、表格、文字、甚至是扫描版的PDF通通可以提取出来。

真有这么神？不如上图说话。

拿出一本很有年代感的书籍，每个公示都可以清晰地识别。

图片

图片

即便文档凹凸不平，也不碍事，公示格式照样重现。

图片

还有PDF中的表格，也能原模原样搬过来。

图片

不过有柱状图的文档，Nougat暂时还不能呈现。

图片

这么神的科研利器，究竟是什么来头？

科研OCR神器，怎么来？

要知道，除了HTML之外，PDF是互联网上第二大重要的数据格式，访问量占比为2.4%。

然而，对于科研人员最不便的是，存储在这些文件中的信息很难提取为任何其他格式。

对于高度专业化的文档更是如此，例如科学研究论文中数学表达式的语义信息会丢失。

对此，Meta的研究人员基于Vision Transformer架构，为处理科学文档量身订制定制了一款光学字符识别（OCR）——Nougat。

与传统OCR不同之处在于，Nougat可以处理整个页面，并且输出格式是MultiMarkdown，适合于学术文档写作。

尤其重要的是，它在处理数学公式中的上标和下标等变得非常容易。

图片

论文地址：https://arxiv.org/pdf/2308.13418.pdf

具体来说，Nougat是一个编码器-解码器的Transformer架构，允许端到端的训练，主要建立在Donut架构之上。

这一模型不需要任何OCR相关的输入或模块，文本由网络隐式识别。

图片

编码器

视觉编码器接收文档图像，裁剪边距并调整图像大小，以适合大小（H，W）的固定矩形。

如果图像小于矩形，则会添加额外的填充，以确保每个图像具有相同的维度。

这里，研究人员使用Swin Transformer Swin，可将图像分割成固定大小的非重叠窗口，并应用一系列自注意力层来聚合这些窗口的信息。

该模型输出一个嵌入补丁的序列，其中d是潜在维度，N是补丁的数量。

解码器

使用具有交叉注意力的Transformer解码器架构将编码图像z解码为token序列。

token以自回归方式生成，使用自注意力和交叉注意力分别关注输入序列R和编码器输出的不同部分。最后，输出被投影到词汇量v的大小，产生对数。

数据增强

在图像识别任务中，使用数据增强来提高泛化能力通常是有益的。

由于研究仅使用数字生成的学术研究论文，因此需要采用多种变换来模拟扫描文档的缺陷和可变性。

这些变换包括腐蚀、膨胀、高斯噪声、位图转换、图像压缩、网格畸变和弹性变换。每个都有应用于给定图像的固定概率。这些转换在Albumentations库中实现。

图片

为了训练模型，团队使用了来自arxiv、PubMed Central等平台的科学论文PDF数据集，以及来自作者的相应LaTeX源代码。

这一数据集总共超过800万页组成。

收集到数据后，研究人员进行了数据处理，首先将原文档转换为HTML，然后再转换为Markdown格式。

图片

具体来说，研究人员根据PDF文件中的分页符拆分Markdown文件，并将每个页面栅格化为图像以创建最终的配对数据集。

编译过程中，LaTeX 编译器会自动确定PDF文件的分页符。

实验结果

测试中，Nougat从科学论文中提取文本、公式和表格的准确率很高。

图片

对于连续文本，它在BLEU分数超过91%，准确率超过96%。

公式和表格的性能较低，略高于75%，但仍然比GROBID等替代品可靠得多，后者的数学公式准确率略低于11%。

图片

不过，在管理跨文档一致性和避免生成过程中重复文本循环方面，仍面临一些挑战。

图片

根据实验结果，logits重复检测示例如下：

图片

Meta团队表示，Nougat是将PDF研究论文转换为结构化的机器可读文本，从而改善科学知识获取的一种有前途的解决方案。

通过弥合PDF与文本之间的鸿沟，这将使数百万篇科学论文更易于获取。

参考资料：

https://the-decoder.com/nougat-metas-latest-ai-model-makes-scientific-pdfs-machine-readable/