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

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

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

条件图形布局生成的研究，通过上下文学习以增强数据效率和通用性，提出了基于大型语言模型的LayoutPrompter方法。在各种布局生成任务上的实验证明了LayoutPrompter方法在低数据情景下的优越性能。

Nov, 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

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

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

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