MuSViT: A Foundation Vision Model for Sheet Music Representation

• 类型：arxiv
• 标识：2606.31811
• 链接：https://arxiv.org/abs/2606.31811
• 主分类：multimodal
• 形态：method
• 被引：0
• 被引来源：Semantic Scholar + OpenAlex
• S2被引：0
• OpenAlex被引：0
• 影响力被引：0
• TLDR：This work introduces MuSViT (Music Score Vision Transformer): the first foundation vision model for sheet music representation -- a ViT encoder pre-trained via Masked Autoencoders on 9.7 million pages from the IMSLP.
• OpenAlex ID：W7166851075
• OpenAlex DOI：10.48550/arxiv.2606.31811
• DOI：10.48550/arxiv.2606.31811
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://doi.org/10.48550/arxiv.2606.31811
• OpenAlex更新：2026-07-19
• 待LLM分类：否
• 标题中文：MuSViT：面向乐谱表示的基础视觉模型
• TLDR中文：本工作提出 MuSViT (Music Score Vision Transformer)：首个面向乐谱表征的基础视觉模型——一个通过 Masked Autoencoders 在 IMSLP 970 万页数据上预训练的 ViT 编码器。
• 来源文件：
• /inbox/tom/_candidates/2026-07-01-agent-rag-longcontext-candidates.json
• [S2 enrich]
• [OpenAlex backfill]