通过 GAN Sketching 方法实现 GAN 模型的简化，即利用一个或若干草图改变 GAN 模型的权重，鼓励模型输出与用户草图匹配，同时保留原始模型的多样性和图像质量，实现了潜空间插值和图像编辑。

Aug, 2021

该研究提出了一种基于笔画先验限制的生成对抗网络 SkrgAN，用于合成医学影像，实验结果表明该方法在各种图像模态下均能达到最先进的效果，并且用于数据增强可以提高医学图像分割方法的表现。

Aug, 2019

本研究提出了一种新的生成对抗网络 (GAN) 方法，利用数据增强及信息流构建模块等技术，在摩托车、马和沙发等 50 类别的草图上合成逼真的图像，并在 Inception 分数上取得显著的改进。

Jan, 2018

本研究采用生成对抗网络，从无监督数据中学习出良好的表征，并应用于图像生成、场景分类以及像象形文字这类草图检索。我们提出了一种与草图检索搭配的新型 GAN 结构，并通过对比传统 GAN 结构的表现，证明本研究的草图 GAN 可用于草图的检索，并且相比标准 GAN 结构具有更高的旋转、缩放以及平移稳定性。

Jul, 2016

提出了一种改进型的模型，即 sketch-pix2seq 模型，用于学习和生成多类别素描，其中替换了 RNN 编码器为 CNN，从目标函数中删除了 KL 散度，实验表明其性能优于其他模型

Sep, 2017

SketchGNN 是一种卷积图神经网络，用于自由绘制矢量草图的语义分割和标记。SketchGNN 将输入的基于笔画的草图作为图形处理，并使用静态 - 动态分支网络架构和图卷积来提取三个级别的特征：点级别、笔画级别和草图级别，显著提高了图像语义分割的准确性。

Mar, 2020

本文提出利用生成对抗网络（GAN）为新手用户设计真实世界形状，使用具有简单界面的体素网格进行编辑。该方法的主要优势是通过学习投影和生成算子来协助用户创建背景分布对象形状的 3D 模型，同时不必指定所有细节。通过该算法及工具的实验表明 GAN 是计算机辅助交互建模的一种有前途的方法。

Jun, 2017

该研究介绍了 Sketch-RNN，它是一种基于循环神经网络（RNN）的模型，能够构建常见对象的基于笔画的绘图，并描述了生成矢量格式的连贯笔画绘图的鲁棒性训练方法。

Apr, 2017

本研究提出了 BezierSketch 作为全矢量、高分辨率的生成模型，采用新颖的逆向图形学方法将每个笔画嵌入到其最佳 Bezier 曲线中。通过使用这个模型，我们成功训练了一个具有更大容量生成长时间草图的递归草图生成器，并且取得了较好的定性和定量结果。

Jul, 2020

该研究提出了一种基于 Transformer 的 sketch 领域学习模型 Sketch-BERT，包括新设计的 sketch 嵌入网络和自监督学习的 sketch gestalt，其在 pre-training 和 downstream tasks 中提高了 sketch 识别、检索、以及 gestalt 任务的表现。

May, 2020