nougat-latex-base

nougat-latex-base

提升图像到LaTeX代码转化的AI模型

Nougat-LaTeX-based模型通过优化输入分辨率和自适应填充技术,提高了图像到LaTeX代码生成的准确性。该模型微调自facebook/nougat-base,应用于im2latex-100k数据集,解决了原始编码器对方程图像处理不适配的问题。在Wikipedia、arXiv和im2latex-100k数据集的评测中,Nougat-LaTeX-based的token_acc值为0.623850,超越了其他同类模型。适合用于高精度LaTeX代码生成,提供了一种更高效的研究工具。需安装transformers库,建议在本地环境运行以避免API响应被截断。

Nougat-LaTeX-basedLaTeX代码自适应填充Github开源项目图像到文本ResNetHuggingface模型

Nougat-Latex-Base项目介绍

Nougat-Latex-Base是一个基于Donut模型的图像到文本转换工具,它专注于从图像生成LaTeX代码。该项目从facebook的nougat-base模型精调而来,并利用了im2latex-100k数据集以提高其转换LaTeX代码的能力。针对初始编码器输入图像尺寸不适合用于公式图像这一问题,Nougat-Latex-Base对输入分辨率进行了调整,并采用自适应填充的方法,确保在任意环境中的公式图像片段,其缩放后的分辨率能与训练数据尽量匹配,从而避免因重新缩放而导致的质量下降。

模型评估

Nougat-Latex-Base的性能在由Wikipedia、arXiv以及im2latex-100k收集的图像-方程配对数据集中进行评估,这些数据是由lukas-blecher整理的。对比结果如下表所示:

模型语义词准确率(token_acc) ↑标准编辑距离(normed edit distance) ↓
pix2tex0.53460.10312
pix2tex*0.600.10
nougat-latex-based0.6238500.06180

其中,pix2tex是一个由ResNet、ViT和文本解码器组成的架构,初次出现在LaTeX-OCR项目中。

pix2tex*为LaTeX-OCR项目中报告的数据;pix2tex为作者根据发布的检查点自己评估的结果;nougat-latex-based采用beam-search策略生成结果进行评估。

使用指南

环境需求

在项目中运行Nougat-Latex-Base模型需要安装以下环境:

pip install transformers >= 4.34.0

模型应用

由于部分API接口可能会导致响应结果被截断,建议用户在本地运行模型以获得完整的转译结果。使用步骤如下:

  1. 下载仓库
git clone git@github.com:NormXU/nougat-latex-ocr.git cd ./nougat-latex-ocr
  1. 推理示例
import torch from PIL import Image from transformers import VisionEncoderDecoderModel from transformers.models.nougat import NougatTokenizerFast from nougat_latex import NougatLaTexProcessor model_name = "Norm/nougat-latex-base" device = "cuda" if torch.cuda.is_available() else "cpu" # 初始化模型 model = VisionEncoderDecoderModel.from_pretrained(model_name).to(device) # 初始化处理器 tokenizer = NougatTokenizerFast.from_pretrained(model_name) latex_processor = NougatLaTexProcessor.from_pretrained(model_name) # 测试 image = Image.open("path/to/latex/image.png") if not image.mode == "RGB": image = image.convert('RGB') pixel_values = latex_processor(image, return_tensors="pt").pixel_values decoder_input_ids = tokenizer(tokenizer.bos_token, add_special_tokens=False, return_tensors="pt").input_ids with torch.no_grad(): outputs = model.generate( pixel_values.to(device), decoder_input_ids=decoder_input_ids.to(device), max_length=model.decoder.config.max_length, early_stopping=True, pad_token_id=tokenizer.pad_token_id, eos_token_id=tokenizer.eos_token_id, use_cache=True, num_beams=5, bad_words_ids=[[tokenizer.unk_token_id]], return_dict_in_generate=True, ) sequence = tokenizer.batch_decode(outputs.sequences)[0] sequence = sequence.replace(tokenizer.eos_token, "").replace(tokenizer.pad_token, "").replace(tokenizer.bos_token, "") print(sequence)

这段代码示例展示了如何从一张LaTeX图像生成LaTeX代码,用户可以根据需要修改图像路径并观察输出结果。该项目能够为有LaTeX需求的用户提供强大且高效的图像转码解决方案。

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多