通过在线重组决策以平衡改善查询性能和重组成本，我们提出了一种算法框架 OReO，该框架通过对实时工作负载的更优化数据布局进行实时重组以提高最坏情况的性能保证，并通过在真实数据集和查询工作负载上进行的实验表明，在线重组可以将查询和重组时间综合提高最多 32%。

May, 2024

本文介绍了 Magic Layouts 方法，该方法可以解析用户界面（UI）布局的截图或手绘草图。它在现有探测器的基础上扩展了一个结构先验，以便能够对 UI 组件进行强大的检测，并且使用该先验的条件区域提案可提高 UI 布局的解析性能。通过一个交互式应用程序，我们演示了该方法对手绘 UI 和应用截图的解析性能的提高，并用于快速获取用户体验（UX）设计的数字原型。

Jun, 2021

LayoutFormer++ 提出了一种序列到序列的条件布局生成方法，采用编码器 - 解码器框架和 Transformer 模型实现，通过约束序列化机制和解码空间约束策略，能够更好地满足不同的用户约束条件，生成更高质量的布局。

Aug, 2022

本文介绍一种自动化的 GUI 原型设计方法，通过检测、分类和组装实现准确地从 GUI 设计稿生成代码，该方法利用计算机视觉技术、自动化动态分析和深度卷积神经网络来对组件进行分类，并使用基于数据的 K 最近邻算法生成适当的分层 GUI 结构。在 Android 平台上实现了该方法的系统 ReDraw，并取得了评估成果，ReDraw 实现的平均 GUI 组件分类准确率为 91％，组装的原型应用程序的视觉外观与目标 GUI 设计稿非常相似，同时展现合理的代码结构，多位工业从业人员的访谈表明 ReDraw 能够改善真实的开发流程。

Feb, 2018

本文提出了一种基于 360 度图片的端到端模型 CFL（Corners for Layout），用于恢复室内场景的三维布局，并通过使用 EquiConvs（一种直接应用于球体投影的卷积），放宽场景假设和降低成本，优于目前的现有方法，并且对相机位置变化具有良好的泛化性能。

Mar, 2019

本文提出了一种基于 Transformer 框架的生成布局模型，可以灵活地融合设计语义，支持用户隐式或显式地指定元素排列约束，并展示了该模型在单模型下可以生成真实的布局。

Aug, 2021

本文提出了一种名为 READ 的新框架，利用递归自动编码器生成大量和多样的文档 2D 布局，其中采用了一种递归的方法来提取文档的结构分解，并利用标注边界框的文档数据集对此进行了学习，从而获得了结构表示形式，并将其映射到高斯空间，从而生成新的文本布局，同时，还引入了一种组合度量来测量文档布局之间的结构相似性，并证明了所生成文档布局的高可变性和实际性，在文本检测任务中证明了所生成布局的作用。

Sep, 2019

GUILGET is a method that uses transformers to automatically generate GUI layouts from graphical user interface arrangement graphs (GUI-AGs) while considering GUI design constraints, leading to a more efficient GUI design pipeline.

Apr, 2023

本文介绍了一种名为 RALF 的模型，它通过检索相似的布局示例来提高内容感知图形布局的生成质量，并成功地在不受限制和受限制的环境中生成高质量的布局。

Nov, 2023

移动机器人对象重新排列的时间最优解决方案，使用延迟计算和机器学习支持多层次重新排列任务以及堆稳定性考虑。

Sep, 2023