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.
科学的知識は主に書籍や科学雑誌に保存されており、多くの場合PDFの形で保存されている。しかし、PDFフォーマットは、特に数学的表現において、意味情報の喪失につながる。我々は、科学文書をマークアップ言語に処理するための光学式文字認識（OCR）タスクを実行する視覚変換モデルであるNougat（Neural Optical Understanding for Academic Documents）を提案し、科学文書の新しいデータセットで我々のモデルの有効性を実証する。提案するアプローチは、人間が読める文書と機械が読めるテキストとの間のギャップを埋めることによって、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する。科学的テキスト認識に関する将来の研究を加速するために、モデルとコードを公開する。
