Nougat: 学術文書のためのニューラル光学理解

Nougat: Neural Optical Understanding for Academic Documents

August 25, 2023

著者: Lukas Blecher, Guillem Cucurull, Thomas Scialom, Robert Stojnic

cs.AI

要旨

科学的知識は主に書籍や学術雑誌に保存されており、その多くはPDF形式で存在しています。しかし、PDF形式では、特に数式表現において意味情報が失われるという課題があります。本論文では、Nougat（Neural Optical Understanding for Academic Documents）を提案します。これは、科学文書をマークアップ言語に変換するための光学文字認識（OCR）タスクを実行するVisual Transformerモデルであり、新たに構築した科学文書データセットにおいてその有効性を実証します。提案手法は、人間が読める文書と機械が読めるテキストの間のギャップを埋めることで、デジタル時代における科学的知識のアクセシビリティを向上させる有望なソリューションを提供します。今後の科学テキスト認識研究を加速させるため、モデルとコードを公開します。

English

Scientific knowledge is predominantly stored in books and scientific journals, often in the form of PDFs. However, the PDF format leads to a loss of semantic information, particularly for mathematical expressions. We propose Nougat (Neural Optical Understanding for Academic Documents), a Visual Transformer model that performs an Optical Character Recognition (OCR) task for processing scientific documents into a markup language, and demonstrate the effectiveness of our model on a new dataset of scientific documents. The proposed approach offers a promising solution to enhance the accessibility of scientific knowledge in the digital age, by bridging the gap between human-readable documents and machine-readable text. We release the models and code to accelerate future work on scientific text recognition.