本文提出了一个基于神经网络和非监督学习的草图简化模型，结合判别器网络和辅助未标注数据，使得输出草图更接近训练数据，并可以用于优化单张图像和实现草图转铅笔画的逆问题，并在两个用户测试中取得了优秀的效果。

Mar, 2017

我们提出了一种数据驱动方法，利用卷积神经网络 (CNN) 从一个或多个涂鸦中学习重建 3D 形状，为用户提供最初的 3D 重建并可以通过应用更新器 CNN 来迭代更新和融合多视角信息，从而实现自由的位图创作和多视角草图建模之间的连续转换。

Jul, 2017

SketchGNN是一种卷积图神经网络, 用于自由绘制矢量草图的语义分割和标记。SketchGNN将输入的基于笔画的草图作为图形处理, 并使用静态-动态分支网络架构和图卷积来提取三个级别的特征：点级别、笔画级别和草图级别, 显著提高了图像语义分割的准确性。

Mar, 2020

本研究提出了BezierSketch作为全矢量、高分辨率的生成模型，采用新颖的逆向图形学方法将每个笔画嵌入到其最佳Bezier曲线中。通过使用这个模型，我们成功训练了一个具有更大容量生成长时间草图的递归草图生成器，并且取得了较好的定性和定量结果。

Jul, 2020

该论文介绍了SketchGraphs数据集，利用机器学习模型可以实现对几何设计图的参数化，生成以及约束条件的预测。

Jul, 2020

使用基于变换器架构的生成模型SketchGen来处理计算机辅助设计中基本段和约束的异构性问题，并证明其在生成完整标志和预测给定图案的约束方面明显优于目前的状态-of-the-art模型。

Jun, 2021

本文提出一种基于生成建模的参数化 CAD 设计方法，利用机器学习技术，实现自动补全、约束推断和条件合成功能，支持部分作图和手绘图像匹配，并能够在机械设计工作流中发挥重要的作用。

Sep, 2021

本文提出了一种使用基于卷积的深度神经网络架构(TreeSketchNet)将树木的简单草图转换为完整三维模型的中介模型，并基于合成和手工制作的草图对其进行测试，结果表明其结果较为准确。

Jul, 2022

通过将可变长度的矢量草图压缩为固定维度的潜在空间并将其作为时间和笔画的函数进行隐式编码，我们提出了SketchINR，可以改进矢量草图的表示。尽管其简单性，SketchINR在多个任务上优于现有的表示方法。

Mar, 2024

在工业产品设计中，计算机辅助设计（CAD）草图的设计和分析起着关键作用，主要涉及CAD基元及其基元约束。为了解决自回归模型中误差累积和自我监督模型设计的复杂性带来的挑战，我们提出了一个两阶段网络框架。该框架由基元网络和约束网络组成，将草图分析任务转化为一个集合预测问题，以加强对基元和约束的有效处理。通过将目标类型与参数解耦，该模型在减少复杂性的同时增加了灵活性和优化。此外，约束网络还结合了指针模块，明确指示约束参数和基元索引之间的关系，提高了可解释性和性能。对两个公开可用的数据集进行的定性和定量分析证明了该方法的优越性。

Jun, 2024