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图 Transformer 的生成对抗网络 (GTGAN)，有效地学习了端到端的图节点关系，尤其针对具有挑战性的基于图约束的房屋生成任务。

Mar, 2023

本文介绍了 Roof-GAN，一种新颖的生成对抗网络，它能够生成住宅屋顶结构的结构几何体系，作为一组屋顶基元及其关系。生成器将基元的数量转换成图形结构，生成一种有结构的屋顶模型，并在完全端到端的体系结构中使用判别器来评估基元栅格几何、基元关系和基元向量几何。我们提出了一种新的度量标准，证明了我们的方法在生成多种多样和逼真的屋顶模型方面的有效性。

Dec, 2020

通过图 Transformer 生成对抗网络，在图约束的建筑布局生成任务中学习有效的图节点关系，提出了连接节点注意力和非连接节点注意力以及基于节点分类的鉴别器等关键技术，实现了对三个建筑布局生成任务的最新最优结果。

Jan, 2024

本研究提出了一种名为 LGGAN 的有标签图生成对抗网络，用于训练基于节点标签的图结构数据的深度生成模型，并在各种类型的图数据集上进行了测试，其结果表明我们的模型可以生成符合训练数据的结构特征的多样化的标记图，并优于所有另一种方法的质量和普适性。此外，经过下游任务进行的生成图的质量评价，结果表明 LGGAN 可以忠实地捕捉图结构的重要方面。

Jun, 2019

本文探讨了使用生成对抗网络 (GAN) 合成高度逼真图像的优化问题，针对当下模型存在的问题，提出了一种修改规则和设计模型的方法。实验表明，我们的方法可以更有效地训练 GAN 模型，并以 3D 物体投影问题为例进行了验证。

May, 2017

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

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

提出了一种名为 Graphical Generative Adversarial Networks（Graphical-GAN）的模型，结合了贝叶斯网络和生成性对抗网络的能力来建模结构化数据。引入了一个结构化的识别模型来推断给定观测值的潜在变量的后验分布，并将期望传播（EP）算法广义化，以同时学习生成模型和识别模型。最后，提出了两个 Graphical-GAN 的重要实例，即高斯混合 GAN（GMGAN）和状态空间 GAN（SSGAN），可分别成功学习视觉数据集的离散和时间结构。

Apr, 2018

该论文介绍了一种新的图像生成方法，采用几何形状模型将几何信息纳入生成过程，生成出具有任意面部属性的逼真人脸图像。

Dec, 2017