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-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。
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) ↓ |
---|---|---|
pix2tex | 0.5346 | 0.10312 |
pix2tex* | 0.60 | 0.10 |
nougat-latex-based | 0.623850 | 0.06180 |
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。
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
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:
git clone git@github.com:NormXU/nougat-latex-ocr.git cd ./nougat-latex-ocr
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。
一键生成PPT和Word,让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。
深度推理能力全新升级,全面对标OpenAI o1
科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用 场景。
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。
字节跳动发布的AI编程神器IDE
Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。
AI助力,做PPT更简单!
咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。
选题、配图、成文,一站式创作,让内容运营更高效
讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。
专业的AI公文写作平台,公文写作神器
AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。
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。
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。
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。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号