使用潜在扩散进行参数化布局生成
提出了一种名为 CoLay 的新框架,它整合多种条件类型,生成具有多样化样式属性的复杂布局,优于先前工作在生成质量和条件满足方面,并使用户能够使用自然语言提示、布局指南、元素类型和部分完成的设计的灵活组合来表达设计意图。
May, 2024
通过介绍一种名为 DLT 的联合离散 - 连续扩散模型,该模型是一种基于 Transformer 的模型,它具有灵活的条件机制,能够根据给定的所有布局组件类别、位置和尺寸的子集进行条件限制,在各种布局生成数据集上优于现有的生成模型。
Mar, 2023
提出了一种统一模型,用于处理广泛的布局生成任务,包括使用指定属性排列元素和完善粗糙布局设计。该模型基于连续扩散模型,并通过掩码输入引入条件。广泛的实验结果表明,该模型能够产生高质量的布局,并且优于现有的最先进基线。
Feb, 2024
本文提出了一种布局扩散生成模型,旨在构建元素分类、大小、位置和元素之间关系不同的图形场景中的图形布局。布局扩散生成模型通过解耦扩散算法实现了单个协调的布局生成任务。该方法可生成任意可用元素属性条件下的布局,实验证明其在功能和性能方面都优于现有的布局生成模型。
Mar, 2023
本研究旨在以离散状态空间扩散模型为基础,通过控制布局生成算法的可控布局生成方式,包括类型或特定元素的位置等来解决各种布局生成任务。最终我们提出的 “LayoutDM” 模型能够自然地处理离散表示中的结构化布局数据,并通过模态逐渐推断出无噪声的布局。对于条件生成,我们建议在推理期间注入掩蔽或对数调整的布局约束。我们在实验中证明,我们的 LayoutDM 成功地生成高质量的布局,并在几个布局任务上优于特定于任务和不特定于任务的基线模型。
Mar, 2023
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
该研究探讨了扩散模型在条件布局生成中的潜力,并提出了基于 Transformer 的布局扩散模型 (LayoutDM),该模型能够产生高质量、具有样本多样性、保真分布覆盖和稳定训练的图形设计布局。
May, 2023
该论文提出了一个用于生成结构组件设计的框架,利用潜在扩散模型生成满足一系列问题特定加载条件的潜在设计,从而具有编辑现有设计的优势。通过使用结构拓扑优化得到的几何数据集进行训练,我们的框架生成了近乎最优的设计,并提供了定量结果支持生成设计的结构性能和潜在候选设计的变化性,以及框架的可扩展性的证据。此框架可用作生成类似拓扑优化设计的新近乎最优设计的起点。
Sep, 2023
利用扩散模型和分类器指导进行语义潜在空间的组合视觉任务,通过训练潜在扩散模型和辅助潜在分类器来促进任何预先训练的生成模型的潜在表示生成的非线性导航,实现条件生成,并介绍了一种新的指导术语,该术语对于实现组合性至关重要。
Apr, 2023
利用流匹配作为替代现有的基于扩散的布局生成模型的方法,我们提出了一种名为 LayoutFlow 的高效基于流的模型,用于生成高质量的布局。通过逐渐移动或流动初始样本的元素直到达到最终预测,我们的方法学习替代了逐步去噪噪声布局的元素。此外,我们采用了一种条件方案,可以使用单个模型处理具有不同程度条件的各种生成任务。在经验上,LayoutFlow 与最先进的模型性能相当,同时速度显著提高。
Mar, 2024