本文提出了一种新的生成模型用于布局生成，其分为三个步骤，通过最新的 transformer architecture 来生成布局元素和计算布局元素之间的约束关系，最后采用有约束的优化方法实现布局优化，并与现有技术进行了对比，证明了我们的方法不需要用户输入、产生更高质量的布局，以及能实现许多新颖的有条件布局生成能力。

Nov, 2020

通过建立 LayoutGAN 生成对抗网络，用于建模不同类型的 2D 元素之间的几何关系以合成各种现实布局，同时采用自注意力机制和可微分线框图渲染层进行实现。验证实验包括 MNIST 数字生成、文档布局生成、剪纸抽象场景生成和七巧板图形设计。

Jan, 2019

本文提出了一种基于 Transformer 框架的生成布局模型，可以灵活地融合设计语义，支持用户隐式或显式地指定元素排列约束，并展示了该模型在单模型下可以生成真实的布局。

Aug, 2021

引入了一种使用深度神经网络和用户参与的生成模型的学习框架，用于自动楼层平面图的生成。

Apr, 2020

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

本文介绍了一种基于属性条件的布局生成方法，并通过用户研究验证了该方法的有效性。

Sep, 2020

本文提出了一种布局扩散生成模型，旨在构建元素分类、大小、位置和元素之间关系不同的图形场景中的图形布局。布局扩散生成模型通过解耦扩散算法实现了单个协调的布局生成任务。该方法可生成任意可用元素属性条件下的布局，实验证明其在功能和性能方面都优于现有的布局生成模型。

Mar, 2023

在图形设计领域，自动化地将设计元素整合为一个连贯的多层艺术作品不仅提高了工作效率，还为图形设计的大众化铺平了道路。本文介绍了一种称为 Hierarchical Layout Generation (HLG) 的更灵活和实用的设置，它从无序的设计元素集合中创建图形构图。通过基于大型多模态模型的图形生成模型 Graphist，我们有效地将 HLG 作为一个序列生成问题来解决，并利用 RGB-A 图像作为输入，输出一个 JSON 草稿协议，指示每个元素的坐标、大小和顺序。我们开发了新的 HLG 评估指标，Graphist 在性能上超过了以往的技术，为该领域奠定了坚实的基础。项目主页：[此处为项目主页的链接]

Apr, 2024