MolParser：真实场景下分子结构的端到端视觉识别
计算机视觉与模式识别
2025-09-22 v4
摘要
近几十年来，化学出版物和专利数量迅速增长。其中相当一部分关键信息嵌入在分子结构图中，这给大规模文献检索带来了困难，并限制了大型语言模型在生物、化学和制药等领域的应用。精确化学结构的自动提取至关重要。然而，真实世界文档中大量存在的马库什结构，以及分子图像质量、绘制风格和噪声的差异，严重限制了现有光学化学结构识别（OCSR）方法的性能。我们提出了MolParser，这是一种新颖的端到端OCSR方法，能够高效、准确地从真实世界文档中识别化学结构，包括复杂的马库什结构。我们使用一种扩展的SMILES编码规则来标注我们的训练数据集。基于此规则，我们构建了据我们所知最大的标注分子图像数据集MolParser-7M。在利用大量合成数据的同时，我们采用主动学习方法，将大量真实世界数据（特别是从真实专利和科学文献中裁剪的样本）纳入训练过程。我们使用课程学习方法训练了一个端到端的分子图像描述模型MolParser。在大多数场景下，MolParser显著优于经典方法和基于学习的方法，并具有更广泛下游应用的潜力。该数据集已在huggingface上公开。
引用
@article{arxiv.2411.11098,
title = {MolParser: End-to-end Visual Recognition of Molecule Structures in the Wild},
author = {Xi Fang and Jiankun Wang and Xiaochen Cai and Shangqian Chen and Shuwen Yang and Haoyi Tao and Nan Wang and Lin Yao and Linfeng Zhang and Guolin Ke},
journal= {arXiv preprint arXiv:2411.11098},
year = {2025}
}