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

本文提出了一个基于神经网络和非监督学习的草图简化模型，结合判别器网络和辅助未标注数据，使得输出草图更接近训练数据，并可以用于优化单张图像和实现草图转铅笔画的逆问题，并在两个用户测试中取得了优秀的效果。

Mar, 2017

本研究提出了一种新的生成对抗网络 (GAN) 方法，利用数据增强及信息流构建模块等技术，在摩托车、马和沙发等 50 类别的草图上合成逼真的图像，并在 Inception 分数上取得显著的改进。

Jan, 2018

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

该论文提出了一个基于 GAN 框架的新方法，用于从简笔画和风格参考图像中合成带有颜色和纹理的详细艺术风格图像；该方法采用了双重遮罩机制、特征映射转换技术以及反实例标准化过程等模块，以增强风格一致性和内容约束，并取得了显著的合成性能提升。

Feb, 2020

通过训练模型产生图像素描，本文探究图像表示的特性，并表明其在few-shot学习中具有信息嵌入的能力、结构和复合性。

Aug, 2020

该研究主要研究了手绘草图和图片输入之间的区别和挑战，并提出了改进单一图片建模算法以适用于手绘草图的解决方案。

Nov, 2020

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

使用扩散模型进行创意素描到图像的综合，表现为更自由、更精确，不依赖大规模的素描-图像数据集，同时也具有图像编辑和插值的应用。

May, 2023

在本文中，我们提出了一种新颖的对抗生成网络，可以准确地生成具有各种风格的逼真手绘草图，并通过定性和定量评估展示了我们在视觉质量、内容准确性和风格模仿方面的优势，其中应用于SketchIME。

Jan, 2024