本文提出了两个关键性贡献：首先是演示了图神经网络如何训练并嵌入向量空间，以便有效地进行相似性推理；其次是提出了一种新的图匹配网络模型，通过新的跨图注意力匹配机制，在一对图之间共同推理，计算它们之间的相似度得分。在不同领域的实验分析表明，本文提出的模型不仅能够在相似性学习的上下文中利用结构，而且能够优于针对此类问题精心设计的基线系统。

Apr, 2019

提出了一种基于图像和图形距离的评估指标 SSIG（基于 IoU 和 GED 的结构相似性），用于判断平面图的结构相似性，并开发了一种有效的算法，通过 SSIG 对大规模的平面图数据库进行排序。

Sep, 2023

本研究提出了一种多层图匹配网络框架，其中包含节点 - 图匹配网络和连体图神经网络，可在纵横交错的多层交互中精确地计算图状对象之间的相似度，并证明其在图分类和回归任务中的有效性及稳健性。

Jul, 2020

本文提出了一种对计算机视觉、图分类和协同过滤等领域特别有用的图相似性计算方法。此方法称为自监督图相似性学习，其基于对图像对的图形匹配任务和自学来训练的一种对比学习框架，可以更好地揭示图像的差异和共性，并跨越不同的图形对进行一致性识别。此方法依赖于具有有效单个图表示的现有图形神经网络，同时启用交叉图和交叉视图互动以增强节点表示的一致性和区分度，并通过汇集操作将节点表示转换为图级表示进行图相似性计算。

May, 2022

本文提出了一种新的深度可解释度度量学习方法 (DIML)，基于结构匹配策略和最优匹配流来弥补现有方法 (基于特征向量比较) 的缺点，实现了深度模型以更人性化的方式学习度量，将图像相似性分解为几个子相似性及其对整体相似性的影响，该方法适用于各种骨干网络和度量学习方法，并在三个深度度量学习基准测试中表现出了显著的改进，但不影响模型性能。

Aug, 2021

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

本文提出了一种新的基于图形结构匹配网络的图像 - 文本匹配方法，可以有效地解决对象、关系和属性的细粒度对应问题。实验结果表明，该方法在 Flickr30K 和 MSCOCO 数据集上相较于其他方法拥有高达近 7% 和 2% 的召回率提升。

Apr, 2020

利用 AI 和计算机视觉技术的发展，本论文提出了一种新颖的方法，通过跳跃连接神经网络与布局图结合，实现了自动和高效的楼层平面设计。通过跳跃连接层捕获多尺度的楼层平面信息，并通过编码器 - 解码器网络与图神经网络支持像素级概率生成。在 MSD 数据集上进行验证后，我们的方法在 ICCV 第 1 届 CVAAD 研讨会挑战中获得了 56.6 的 mIoU 分数。代码和预训练模型可在此网址公开获取。

Sep, 2023

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