该论文提出了多种基于深度学习的光学乐谱识别（OMR）方法，包括无监督符号音乐分割和Transformer模型，旨在提高音乐作品的识别精度。研究指出，现有方法虽表现良好，但在自动音乐转录（AMT）领域仍有提升空间，强调减少用户干预的重要性，并为未来研究提供方向。

本研究提出了Sheet Music Transformer模型，这是首个端到端的光学乐谱识别模型，基于Transformer框架，能够从图像中预测乐谱转录。实验结果表明，该模型性能优于现有方法，推动了光谱识别的进步。同时，开发了TrOMR系统，提升了复杂乐谱的识别精度，并构建了相机场景数据集。

本研究提出了Sheet Music Transformer模型，用于预测标准的数字音乐编码格式的乐谱转录。实验证明该模型优于现有方法，为光学乐谱识别的进步做出了贡献。