CVPRMar, 2023

基于内容感知的视觉 - 文字展示布局的新基准与方法 --《海报布局

PDF
TL;DR本文旨在研究如何通过条件生成对抗网络来实现内容感知的视觉文字呈现布局，为自动无模板创意图形设计提供关键支持。通过设计一个名为 PosterLayout 的新数据集，并借助设计顺序形成技术，提出一种可生成适当布局的 CNN-LSTM 基于条件生成对抗网络，该方法在多个方面均取得了最佳性能。
content-awarevisual-textualpresentation layoutautomatic graphic designconditional generative adversarial network
发现论文，激发创造
  • 面向视觉文本呈现设计的组合感知图形布局生成对抗网络

    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

  • 关系感知扩散模型用于可控海报布局生成

    通过 visual-textual 和 geometry 关系感知模块，提出一种基于 CGL-Dataset V2 数据集的海报布局生成方法，可以考虑海报的视觉和文本内容以及元素之间的关系，生成能够传达文本信息的多样化的海报布局，优于现有方法。

    Jun, 2023

  • PosterLlama：连接语言模型的设计能力与内容感知布局生成

    PosterLlama 是一种生成视觉上连贯且文本相关的布局的网络，通过重新格式化布局元素为 HTML 代码并利用语言模型中嵌入的丰富设计知识来进行设计，通过独特的基于深度的海报增强策略提高模型的鲁棒性。在多个基准测试中，PosterLlama 在生成真实且内容感知的布局方面优于现有方法，支持无条件布局生成、元素条件布局生成、布局完成等条件，并作为一种高度灵活的用户操作工具。

    Apr, 2024

  • 图像感知布局生成的像素级鉴别器无监督领域自适应

    本文关注利用基于图像内容的条件 GAN 模型生成具有图片感知性的广告海报平面设计，在现有数据集的基础上，将无监督领域自适应技术与深度学习相结合，设计了一种新的像素级鉴别器 (PDA-GAN) 来生成具有高质量图像感知的广告海报平面设计。 实验结果显示，PDA-GAN 可以实现最先进的性能，并为时尚的广告海报生成高质量的图像感知平面设计。

    Mar, 2023

  • 内容感知布局推断的美学文本标志合成

    本文介绍了一种基于内容感知布局生成网络的方法，将字形图像和对应文本作为输入，自动生成美观的排版布局。在设计中融合了语言学和视觉语义信息，同时训练和评估了文本 Logo3K 数据集，验证了其在合成视觉上令人愉悦的文本 Logo 方面的优越性。

    Apr, 2022

  • AutoPoster: 广告海报生成的高度自动和内容感知的设计系统

    该研究介绍了一种高度自动化和内容感知的广告海报生成系统 AutoPoster，通过图像清理和重定向、布局生成、标语生成和样式属性预测等四个关键阶段，该系统可以仅凭产品图像和标题自动生成不同尺寸的海报。通过融合两个内容感知模型用于布局和标语生成，同时提出了一种用于联合预测视觉样式属性的新型多任务样式属性预测器 (SAP)。此外，我们提出了首个包含超过 76k 海报视觉属性注释的海报生成数据集。用户研究和实验证明了我们的系统的有效性以及生成的海报在美学上相较其他生成方法的优势。

    Aug, 2023

  • 学习生成科学论文海报

    本研究首次提出了一种数据驱动的框架，它利用图形模型解决了科学论文生成海报的复杂性和时间成本问题，并成功地创建了海报 - 论文数据集，定量和定性结果表明该方法非常有效。

    Apr, 2016

  • TextPainter：基于视觉和文本理解的海报设计的多模态文本图像生成

    TextPainter 是一种新颖的多模态方法，利用上下文视觉信息和相应的文本语义生成文本图像，结合全局 - 局部背景图像作为风格提示并以视觉和文本的和谐为指导，通过语言模型和文本理解模块实现句子级和词级风格变化，该方法可生成适用于海报的视觉和语义和谐的文本图像。

    Aug, 2023

  • 通过布局结构建模增强视觉丰富文档的理解

    我们提出了 GraphLayoutLM 模型，它利用布局结构图的建模将文档布局知识注入模型，使得模型能够理解文本元素的空间排列，以提高文档的理解能力，并在 FUNSD、XFUND 和 CORD 等基准测试中取得了最先进的结果。

    Aug, 2023

  • 自监督摄影图像布局表示学习

    研究通过定义基本布局元素，将图像布局映射到异质图结构，引入自我监督学习和自定义损失函数，建立在这个基础上发展了一个能够高效地压缩图像布局的自动编码网络架构，并介绍了一个全面评估布局表示学习方法的基准数据集，实验证明该方法在摄影图像布局表示学习领域具有卓越的性能。

    Mar, 2024