本文介绍了一种名为 PLay 的条件性潜在扩散模型，用于生成基于用户指定准则的矢量图空间中的参数化布局，并在 FID 和 FD-VG 等度量标准及用户测试中优于之前的作品，并为专业布局设计过程带来新颖交互体验。

Jan, 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

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

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

本文提出了一种名为 LayoutDiffusion 的扩散模型，通过构建结构图像块来解决布局与图像的多模态融合的难点，并利用 Object-aware Cross Attention 实现相对精确的分区和位置敏感的空间信息控制，实现比现有方法更高的生成质量和更高的可控性。

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

通过提出一种语义可控的布局感知 (Diffusion) 模型 (LAW-Diffusion)，本研究实现了准确的复杂场景生成，通过引入空间依赖解析器来编码在对象之间的位置感知的语义一致性作为布局嵌入，并产生具有感知上和谐对象风格和语境关系的场景。

Aug, 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

利用大型语言模型作为布局生成器，改进了文本到图像生成模型，通过生成合理的对象布局来增强图像的构图和空间准确性，从而提高了图像质量。

Nov, 2023