自由笔画识别的多图变换器
本研究提出了一种基于递归神经网络的手绘图形识别架构，通过利用深度草图特征和加权每个时步损失来实现在大量对象类别上的最新结果，尤其适用于在线识别对象。
Aug, 2016
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
该研究提出了一种利用注意力机制和神经网络实现端到端学习的新型 freehand sketching 认知方法，相比于现有技术更加鲁棒和有效，能够在大规模的手绘图像识别竞赛中获得更好的性能表现。
Nov, 2018
本研究解决了手绘图像自监督表征学习的问题，提出了一种针对手绘图像的特定预处理任务和文本卷积网络的双分支架构，通过在百万级手绘图像数据集上进行的两个应用方法来证明该方法明显优于现有的无监督表征学习方法，并显著缩小了与监督表征学习之间的性能差距。
Feb, 2020
Sketchformer是一种基于transformer的表示方法，用于以矢量形式编码手绘草图，有效地解决了多个任务：草图分类、基于草图的图像检索（SBIR）以及草图的重建和插值，可显著提高复杂草图和长笔画序列的重建和插值表现。
Feb, 2020
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
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
通过将可变长度的矢量草图压缩为固定维度的潜在空间并将其作为时间和笔画的函数进行隐式编码，我们提出了SketchINR，可以改进矢量草图的表示。尽管其简单性，SketchINR在多个任务上优于现有的表示方法。
Mar, 2024
提出了一种基于草图的算法，其训练时间和内存随着图的大小而亚线性增长，通过在少量紧凑的图草图上训练GNN，避免了与图大小线性相关的复杂性增长，并通过局部敏感哈希（LSH）技术提高草图的质量，实验证明了该算法在大规模图上的可扩展性和竞争性能与完整规模的GNN相比。
Jun, 2024