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

本文提出了一种交互式的基于 GAN 的草图到图像的翻译方法，能够帮助新手用户创建简单物体的图像，通过引入基于门控机制的分类条件方法，可以在不混合特征的情况下从单个生成器网络中生成不同的类别。

Sep, 2019

本文介绍了一种新型的嵌入式学习方法，利用门控融合和注意力，通过对来自不同领域的查询图像的嵌入向量进行对比学习，实现不同领域的图像数据通用表示，提高计算机视觉的表现力。

Aug, 2022

通过从用户的自由手绘草图中综合图像分类器，我们通过训练模型回归网络将自由手绘草图空间映射到照片分类器空间，从而实现了新类别的照片分类器的综合。同时，此方法还可以用作现有照片分类器粒度的增强方法，或作为基于名称零样本学习的补充。

Apr, 2018

该研究通过引入 Creative Birds 和 Creative Creatures 两个数据集，提出 DoodlerGAN–一种基于部件的生成式对抗网络，用于生成新的部件外观的未见过的构图，并通过定量评估和人类研究证明，与现有方法相比，其生成的草图更具创意和更高的质量。

Nov, 2020

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

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

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

本文主要介绍了一种基于深度学习的方法来清理和增强三维 CAD 模型的手绘查询草图，从而改善搜索引擎的结果。结果表明，使用这种方法可以获得更好的搜索结果。

Jul, 2022