该文章首次将人类草图引入 XAI（可解释人工智能）领域，提出以草图为数据形式的可解释人工智能设计，通过识别笔画的形状、位置和顺序等内在属性，定义了首个用于草图的 XAI 任务：笔画位置倒置。研究结果不仅提供了草图解释的角度，同时还展示了该特殊设计的草图编码器最佳的草图识别精度和最小的参数数量。

Apr, 2023

本文提出了第一种基于笔画级别的速写抽象模型，并通过强化学习训练了一个笔画去除策略，该模型能够用于各种速写分析任务，包括建模笔画显著性、合成具有可变抽象度的速写以及使用仅照片训练细粒度速写检索模型。

Apr, 2018

该研究提出了基于原语的素描抽象任务，通过 Primitive-Matching Network（PMN）学习解释性抽象，将每个笔画映射到其最相似的原语，并实现了用于笔画识别的最高性能和高度可解释性的 PMN 抽象。

Jul, 2022

研究中提出了一种基于梯度解释性的新策略，通过在易感区域引导对单像素对抗扰动的学习，能在保证对抗性的同时，提高收敛速度，并使攻击难以察觉。这一方法充分利用了解释性方法在解释性以外的任务中的有效性。

Apr, 2019

通过 SEVA 数据集，对视觉算法进行评估，探索模拟人类视觉抽象能力的模型在生成任务中的潜力，以促进实现增强人类类似的视觉抽象能力的算法的进展。

Dec, 2023

通过构建一个语义组件级别的记忆模块，本文提出的结构化素描识别网络可以增强识别网络的解释能力，并可以处理带有或不带有语义组件标签的素描识别情况。在 SPG 和 SketchIME 数据集上的实验证明了记忆模块的灵活性和识别网络的解释能力。

Dec, 2023

通过揭示素描在扩散模型中的潜力，解决了生成人工智能直接素描控制的虚假承诺。我们巧妙地实现了专业素描生成精确图片的民主化过程，证实现有模型变形的空间限制性问题。为了纠正这个问题，我们提出了一种意识到抽象的框架，利用素描适配器，自适应时间步骤采样和经过预训练的精细化素描图像检索模型的辨别引导，协同工作以加强细粒度素描照片关联性。我们的方法在推理过程中无缝运行，无需文本提示；一张简单的草图就像你和我都可以创建的草图一样，就足够了！我们欢迎大家查看论文及其附加资料中展示的结果。贡献包括专业素描生成的民主化控制、引入意识到抽象的框架和利用辨别引导，通过大量实验证实。

Mar, 2024

该论文提出了一种可微分方案，用于反距离变换松弛像素栅格的绘制过程，以学习和优化图像的绘制过程，支持自动编码器将栅格化的手写数字转换成向量。

Mar, 2021

本文提出了一种针对手绘图像的分割算法，该算法通过使用个性化的提取部件注释，以及简单的 sketch 进行训练，实现了对手绘图像的分割。该算法通过使用简单的 sketch 训练的多阶段变形网络进行随意手绘的分割，相比基于 few-shot 和 state-of-the-art 方法提高了 10% 准确率

Dec, 2021

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