الهندسة المعمارية القائمة على المحوّلات (Transformers) للشفرة-المفككة (Encoder-Decoder) حققت مؤخرًا تقدمًا كبيرًا في التعرف على التعبيرات الرياضية المكتوبة بخط اليد. ومع ذلك، لا يزال نموذج المحوّلة يعاني من مشكلة نقص التغطية، مما يجعل معدل التعرف على التعبيرات (ExpRate) أدنى من نظيره القائم على الشبكات العصبية المتكررة (RNN). لقد ثبت أن معلومات التغطية، التي تسجل معلومات التناظر من الخطوات السابقة، فعالة في نماذج RNN. في هذا البحث، نقترح CoMER، وهو نموذج يستخدم معلومات التغطية في شفرة المحوّلة. بشكل خاص، نقترح وحدة تحسين الانتباه (Attention Refinement Module - ARM) لتحسين وزن الانتباه باستخدام معلومات التناظر السابقة دون الإضرار بالتوازي. بالإضافة إلى ذلك، نأخذ معلومات التغطية إلى أقصى حد من خلال اقتراح التغطية الذاتية والتغطية المتقاطعة، والتي تستفيد من معلومات التناظر السابقة في الطبقات الحالية والسابقة. تظهر التجارب أن CoMER يحسن ExpRate بنسبة 0.61٪/2.09٪/1.59٪ مقارنة بأحدث النماذج الرائدة، ويصل إلى 59.33٪/59.81٪/62.97٪ على مجموعات الاختبار CROHME 2014/2016/2019.