本研究提出了 Sheet Music Transformer 模型，这是首个能够在处理复杂音乐乐谱时不仅依赖于单音技术的端到端光学乐谱识别模型。模型基于 Transformer 的图像到序列框架，能够从输入图像中预测出标准的数字音乐编码格式的乐谱转录。实验结果表明，该模型不仅表现出了高度的能力，而且也优于目前最先进的方法，从而为端到端光学乐谱识别的进步做出了贡献。

Feb, 2024

本文介绍了一种新型的终端到终端光学乐谱识别模型 Sheet Music Transformer++，通过基于合成数据生成的广泛课程学习预训练，无需先前的布局分析步骤即能转录全页多声部乐谱，实验证实该模型能够成功转录全页的钢琴谱，标志着终端到终端光学乐谱识别取得了显著的里程碑。

May, 2024

使用端到端模型和 Linearized MusicXML 格式进行 Optical Music Recognition (OMR)，并通过与已发布的数据集进行评估和对比，超过了目前的最佳结果。

Mar, 2024

该论文提出了音乐树符号（Music Tree Notation，MTN）格式，作为一种共同的音乐表示语言，用于解决音乐识别系统评估指标不一致的问题，并通过特定的 OMR 评估指标和排版乐谱数据集提供了此想法的验证。

Dec, 2023

本文提出了一种名为 TrOCR 的端到端文本识别方法，其中使用了预训练的图像 Transformer 和文本 Transformer 模型，不仅适用于印刷体和手写体，还适用于场景文本识别任务，并在准确率方面优于当前最先进的模型。

Sep, 2021

提出了一种新型的多轨音乐表示方式，可以同时包含多种不同类型的乐器，并实现了基于音乐自注意力的实时即兴演奏，该方法在速度和内存占用方面都具有优势。

Jul, 2022

本研究旨在通过对预训练基础 OCR 模型进行有效的参数微调，在各种下游任务中展示出卓越的性能。我们提出了一种基于预训练 OCR Transformer 的参数高效混合文本识别方法，即 DLoRA-TrOCR。该方法将 DoRA 嵌入图像编码器和 LoRA 嵌入文本解码器的内部结构，使得下游任务的参数微调更加高效。实验结果表明，与类似的参数调整方法相比，我们的模型 DLoRA-TrOCR 具有最少的参数，并且表现更好。它可以在包括混合手写、印刷和街景文本的复杂场景数据集上取得最先进的性能。

Apr, 2024

本文利用序列到序列传递学习的多任务自然语言处理模型，在多个不同的乐器转录数据集上对多种音乐乐器进行了联合转录，展示了其在低资源乐器的表现结果显著，同时保持了高质量的表现结果，是多任务自动音乐转录领域的强有力基线。

Nov, 2021

本文展示了使用通用 encoder-decoder Transformer 和标准解码方法可实现与专业领域特定设计模型同等效果的自动音乐转录方法，从而取消了任务特定架构的需求，简化了转录，为集中精力于数据集创建和标注而非模型设计提供了可能性。

Jul, 2021

本文探讨使用软件合成音频数据训练通用模型来加快乐器自动转录模型的转移学习，结果表明使用合成数据训练模型可能是预训练通用模型的良好基础。

Apr, 2023