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

使用 U-Sketch 框架和 U-Net 潜在边缘预测器，在草图到图像合成任务中取得了更好的结果，更好地符合参考草图的空间轮廓，并大大减少所需的去噪步骤和整体执行时间。

Mar, 2024

本文提出一种直接以高维网格中的稀疏采样点集合形式处理点云的网络架构，采用稀疏双边卷积层作为构建块，实现对网格的有效卷积计算，可以灵活地进行分层和空间感知特征学习，并且可以轻松地将基于点或基于图像的表示方法应用于网络中，实验证明本文的方法在三维分割任务中胜过现有的最先进技术。

Feb, 2018

LBS 学习通过绘画来表示场景，而不需要素描数据集。理论上证明绘画与任意仿射变换具有等变性，因此可以保留几何信息。实验结果显示 LBS 显着改善了对象属性分类的性能，并为不同下游任务提供了丰富的几何信息。

Apr, 2023

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

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

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

我们提出了一种基于优化的框架，用于绘制视频的素描，通过设置初始参数和利用语义损失和 2D 网络的一致性损失进行优化，生成具有卓越视觉抽象和时间连贯性的素描视频，为基于素描的视频编辑和视频涂鸦提供了潜在的应用。

Nov, 2023

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