UniMERNet: A Universal Network for Real-World Mathematical Expression Recognition

本文提出了UniMER数据集，旨在对复杂的现实场景下的数学表达式识别（MER）进行第一次研究。UniMER数据集包括一个大规模的训练集UniMER-1M，提供了前所未有的规模和多样性，包含一百万个训练实例，以及一个精心设计的测试集UniMER-Test，反映了现实场景中普遍存在的各种公式分布。因此，UniMER数据集可以训练出鲁棒性和高精度的MER模型，并进行全面的模型性能评估。此外，我们介绍了通用数学表达式识别网络（UniMERNet），这是一个创新的框架，旨在增强实际场景下的MER。UniMERNet采用长度感知模块来有效处理不同长度的公式，从而使模型能够更准确地处理复杂的数学表达式。此外，UniMERNet采用我们的UniMER-1M数据和图像增强技术，提高了模型在不同噪声条件下的鲁棒性。我们的广泛实验表明，UniMERNet优于现有的MER模型，在各种场景下设立了新的基准，并确保在实际应用中具有更优越的识别质量。数据集和模型可在https://github.com/opendatalab/UniMERNet上获取。

解决问题：本论文旨在解决数学表达式识别在复杂实际场景下的问题，同时验证UniMER数据集和UniMERNet模型的有效性。

关键思路：论文提出了UniMERNet模型，该模型通过引入长度感知模块和数据增强技术，提高了数学表达式识别的准确性和鲁棒性。

其他亮点：UniMER数据集包含100万个训练实例和精心设计的测试集，能够提高数学表达式识别模型的训练效果和评估结果。实验结果表明，UniMERNet模型在各种场景下均优于现有的数学表达式识别模型，并在真实应用中实现了卓越的识别质量。数据集和模型代码均已开源。

相关研究：最近的相关研究包括“Handwritten Mathematical Expression Recognition using Convolutional Neural Networks”和“Recognition of Handwritten Mathematical Expressions: A Comparative Study”。