我們平時(shí)在閱讀論文或者科學(xué)文獻(xiàn)時(shí)，見到的文件格式基本上是 PDF（Portable Document Format）。據(jù)了解，PDF 成為互聯(lián)網(wǎng)上第二重要的數(shù)據(jù)格式，占總訪問量的 2.4%。

然而，存儲在 PDF 等文件中的信息很難轉(zhuǎn)成其他格式，尤其對數(shù)學(xué)公式更是顯得無能為力，因?yàn)檗D(zhuǎn)換過程中很大程度上會丟失信息。就像下圖所展示的，帶有數(shù)學(xué)公式的 PDF，轉(zhuǎn)換起來就比較麻煩。

現(xiàn)在，Meta AI 推出了一個(gè) OCR 神器，可以很好的解決這個(gè)難題，該神器被命名為 Nougat。Nougat 基于 Transformer 模型構(gòu)建而成，可以輕松的將 PDF 文檔轉(zhuǎn)換為 MultiMarkdown，掃描版的 PDF 也能轉(zhuǎn)換，讓人頭疼的數(shù)學(xué)公式也不在話下。

(資料圖)

論文地址：https://arxiv.org/pdf/2308.13418v1.pdf項(xiàng)目主頁：https://facebookresearch.github.io/nougat/

Nougat 不但可以識別文本中出現(xiàn)的簡單公式，還能較為準(zhǔn)確地轉(zhuǎn)換復(fù)雜的數(shù)學(xué)公式。

公式中出現(xiàn)的上標(biāo)、下標(biāo)等各種數(shù)學(xué)格式也分的清清楚楚：

Nougat 還能識別表格：

掃描產(chǎn)生畸變的文本也能處理：

不過，Nougat 生成的文檔中不包含圖片，如下面的柱狀圖：

看到這，網(wǎng)友紛紛表示：（轉(zhuǎn)換）效果真是絕了。

方法概述

本文架構(gòu)是一個(gè)編碼器 - 解碼器 Transformer 架構(gòu)，允許端到端的訓(xùn)練，并以 Donut 架構(gòu)為基礎(chǔ)。該模型不需要任何 OCR 相關(guān)輸入或模塊，文本由網(wǎng)絡(luò)隱式識別。該方法的概述見下圖 1。

該研究用到了 2 個(gè) Swin Transformer ，一個(gè)參數(shù)量為 350M，可處理的序列長度為 4096，另一參數(shù)量為 250M，序列長度為 3584。在推理過程中，使用貪婪解碼生成文本。

在圖像識別任務(wù)中，使用數(shù)據(jù)增強(qiáng)技術(shù)來提高泛化能力往往是有益的。由于本文只研究數(shù)字化的學(xué)術(shù)研究論文，因此需要使用一些變換來模擬掃描文件的不完美和多變性。這些變換包括侵蝕、擴(kuò)張、高斯噪聲、高斯模糊、位圖轉(zhuǎn)換、圖像壓縮、網(wǎng)格變形和彈性變換 。每種變換都有固定的概率應(yīng)用于給定的圖像。這些變換在 Albumentations 庫中實(shí)現(xiàn)。在訓(xùn)練過程中，研究團(tuán)隊(duì)也會通過隨機(jī)替換 token 的方式，對實(shí)際文本添加擾動。

每種變換的效果概覽

數(shù)據(jù)集構(gòu)建與處理

據(jù)研究團(tuán)隊(duì)所知，目前還沒有 PDF 頁面和相應(yīng)源代碼的配對數(shù)據(jù)集，因此他們從 arXiv 上開放獲取的文章中創(chuàng)建了自己的數(shù)據(jù)集。為了數(shù)據(jù)多樣性，數(shù)據(jù)集中還包括 PubMed Central (PMC) 開放訪問非商業(yè)數(shù)據(jù)集的一個(gè)子集。預(yù)訓(xùn)練期間，還加入了部分行業(yè)文檔庫 (IDL)。

表 1 數(shù)據(jù)集構(gòu)成

在處理數(shù)據(jù)集的過程中，研究團(tuán)隊(duì)也將不同來源的數(shù)據(jù)進(jìn)行了合適的處理，下圖展示了他們對 arXiv 文章進(jìn)行源代碼收集并編譯 PDF 的過程。詳細(xì)內(nèi)容請閱讀全文。

源文件被轉(zhuǎn)換成 HTML，然后再轉(zhuǎn)換成 Markdown。

研究團(tuán)隊(duì)根據(jù) PDF 文件中的分頁符分割 markdown 文件，并將每個(gè)頁面柵格化為圖像以創(chuàng)建最終配對的數(shù)據(jù)集。在編譯過程中，LaTeX 編譯器自動確定 PDF 文件的分頁符。由于他們不會為每篇論文重新編譯 LaTeX 源文件，因此必須將源文件分割成若干部分，分別對應(yīng)不同的頁面。為此，他們使用 PDF 頁面上的嵌入文本，并將其與源文本進(jìn)行匹配。

但是，PDF 中的圖形和表可能并不對應(yīng)于它們在源代碼中的位置。為了解決這個(gè)問題，研究團(tuán)隊(duì)使用 pdffigures2 在預(yù)處理步驟中刪除這些元素。將識別出的字幕與 XML 文件中的字幕進(jìn)行比較，根據(jù)它們的 Levenshtein 距離進(jìn)行匹配。一旦源文檔被拆分為單獨(dú)的頁面，刪除的圖形和表就會重新插入到每一頁的末尾。為了更好地匹配，他們還使用 pylatexence -library 將 PDF 文本中的 unicode 字符替換為相應(yīng)的 LaTeX 命令。

詞袋匹配：首先，研究團(tuán)隊(duì)使用 MuPDF 從 PDF 中提取文本行，并對其進(jìn)行預(yù)處理，刪除頁碼和頁眉 / 頁腳。然后使用詞袋模型與 TF-IDF 向量化器和線性支持向量機(jī)分類器。將模型擬合到以頁碼為標(biāo)簽的 PDF 行。然后，他們將 LaTeX 源代碼分成段落，并預(yù)測每個(gè)段落的頁碼。理想情況下，預(yù)測將形成階梯函數(shù)，但在實(shí)踐中，信號將有噪音。為了找到最佳邊界點(diǎn)，他們采用類似于決策樹的邏輯，并最小化基于 Gini 不純度的度量：

其中是在區(qū)間 [a,b] 中選擇具有預(yù)測頁碼 i 的元素的概率，該區(qū)間描述了哪些段落 (元素) 被考慮用于分割。

區(qū)間 [a, b] 的最佳拆分位置 t 為：

搜索過程從所有段落開始，對于后續(xù)的每個(gè)分頁，搜索區(qū)間的下界設(shè)置為前一個(gè)分頁位置。

模糊匹配：在第一次粗略的文檔分割之后，研究團(tuán)隊(duì)嘗試找到段落中的準(zhǔn)確位置。通過使用 fuzzysearch 庫，將預(yù)測分割位置附近的源文本與嵌入的 PDF 文本的前一頁的最后一個(gè)句子和下一頁的第一個(gè)句子進(jìn)行比較，就可以達(dá)到這個(gè)目的。如果兩個(gè)分隔點(diǎn)在源文本中的相同位置，則認(rèn)為換頁是準(zhǔn)確的，得分為 1。另一方面，如果分割位置不同，則選擇具有最小歸一化 Levenshtein 距離的分割位置，并給出 1 減距離的分?jǐn)?shù)。要包含在數(shù)據(jù)集中，PDF 頁面的兩個(gè)分頁符的平均得分必須至少為 0.9。如此一來，所有頁面的接受率約為 47%。

實(shí)驗(yàn)

實(shí)驗(yàn)中用到的文本包含三種類別：純文本、數(shù)學(xué)表達(dá)式以及表格。

結(jié)果如表 1 所示。Nougat 優(yōu)于其他方法，在所有指標(biāo)中取得最高分，并且具有 250M 參數(shù)模型的性能與 350M 參數(shù)模型相當(dāng)。

下圖為 Nougat 優(yōu)對一篇論文的轉(zhuǎn)換結(jié)果：

Meta 表示，Nougat 在配備 NVIDIA A10G 顯卡和 24GB VRAM 機(jī)器上可并行處理 6 個(gè)頁面，生成速度在很大程度上取決于給定頁面上的文本量。在不進(jìn)行任何推理優(yōu)化的情況下，基礎(chǔ)模型每批次平均生成時(shí)間為 19.5s（token 數(shù)≈1400），與經(jīng)典方法（GROBID 10.6 PDF/s ）相比速度還是非常慢的，但 Nougat 可以正確解析數(shù)學(xué)表達(dá)式。

關(guān)鍵詞：