面向钢琴谱的端到端整页光学乐谱识别

光学乐谱识别（Optical Music Recognition, OMR）自诞生以来已取得显著进展，各种方法现已能将乐谱准确转录为数字格式。尽管取得了这些进展，大多数所谓的端到端 OMR 方法在转录整页乐谱图像时仍依赖多阶段处理流程，这带来了诸如需要专门的版面分析和特定标注数据等挑战，从而限制了此类方法的通用性。在本文中，我们提出了一种针对复杂版面中页面级 OMR 的首个真正的端到端方法。我们的系统结合了卷积层与自回归 Transformer，处理整页乐谱并输出音乐编码格式的完整转录。这得益于架构与训练过程，后者通过增量合成数据生成利用了课程学习。我们使用钢琴谱语料库评估了所提出的系统，这是 OMR 文献中最复杂的来源之一。该评估首先在带有合成数据的受控场景中进行，随后在两种条件各异的真实语料库上进行。我们将该方法与领先的商用 OMR 软件进行了比较。结果表明，我们的系统不仅成功转录了整页乐谱，而且在零样本设置以及在目标领域微调后均优于商用工具，代表了对 OMR 领域的重大贡献。