LayoutGAN: 使用线框判别器生成图形布局
本文提出了一种基于图像元素的深度生成模型 CGL-GAN,并设计了域对齐模块 DAM 来缩小训练和测试输入之间的差距,进而生成符合美感直觉的高质量图形布局。
Apr, 2022
通过一种基于生成对抗网络的自动化平面图生成方法,使用基于图的相关生成对抗网络和条件生成对抗网络的集成,并在迭代布局细化过程中使用之前生成的布局作为下一个输入约束。该研究提出了一种名为组件方式 GT 调节的简单非迭代训练过程,有效地学习这样的生成器,通过元优化技术控制迭代布局优化过程中传递哪些输入约束的时间,从而进一步提高所选指标。基于三种标准指标的定性和定量评估显示:所提出的系统在当前最先进技术水平上取得了重大进展,甚至可以与由专业建筑师设计的地面平面图媲美。
Mar, 2021
本文提出了 Panoptic Layout Generative Adversarial Networks(PLGAN)来解决交互式场景中实现真实感的假图像生成难题,该方法使用 panoptic 理论根据物体的形状判断物体种类,将 stuff 和 instance 布局分别构建后再融合为 panoptic 布局,实验结果表明 PLGAN 具有明显优势。
Mar, 2022
本文提出了一种利用神经设计网络 (NDN) 生成满足用户指定约束条件的设计布局的方法,被实验评估证明生成的设计布局与真实设计布局非常相似,并且在布局推荐方面具有实际应用价值。
Dec, 2019
本文关注利用基于图像内容的条件 GAN 模型生成具有图片感知性的广告海报平面设计,在现有数据集的基础上,将无监督领域自适应技术与深度学习相结合,设计了一种新的像素级鉴别器 (PDA-GAN) 来生成具有高质量图像感知的广告海报平面设计。 实验结果显示,PDA-GAN 可以实现最先进的性能,并为时尚的广告海报生成高质量的图像感知平面设计。
Mar, 2023
本文提出了一种基于关系架构的新型图约束生成对抗网络,其生成器和鉴别器利用关系结构进行建模,旨在将约束编码到其关系网络的图结构中,将建筑约束作为图形输入,并生成一套轴对齐的房间边框,通过 117000 张实际的平面图像的定量和定性评估表明,该方法优于现有的方法和基线。
Mar, 2020
该论文提出了一种新的范例 (layout-to-mask-to-image) 来实现从给定布局生成物体掩膜的任务,给出了一种通过实例感知和布局感知归一化来实现物体掩膜水平的风格控制,使用生成对抗网络 (GANs) 在两个控制水平上进行风格控制的方法,并在 COCO-Stuff 数据集和 Visual Genome 数据集上获得了最新成果。
Mar, 2020
该论文提出了 GraphGAN,一种结合生成模型和判别模型的图形表示学习框架,其中两个模型玩一个博弈论最小最大化游戏来提高它们的性能,同时还提出了一种新的图形 softmax 来克服传统 softmax 函数的局限性。在真实世界的数据集上广泛实验表明,GraphGAN 在各种应用中都比现有技术取得了实质性的收益,包括链接预测、节点分类和推荐。
Nov, 2017
本文介绍了一种新型文本到图像生成网络 ALR-GAN,它利用自适应布局优化模块和布局细化损失来提高生成图像的布局结构。ALR-GAN 在文本到图像生成任务上表现良好。
Apr, 2023