- AI 生成图像工具在平面设计中的应用、挑战和未来发展方向探索
通过对七名经验不同的设计师进行半结构化访谈,本研究旨在了解他们在平面设计中使用 AI 生成图像工具的现状、挑战和未来的功能需求。研究发现,AI 工具在设计中充当创造性伙伴,增强人类创造力,提供战略洞见,并促进团队合作与沟通,为 AI 生成图 - DesignProbe: 多模式大语言模型的平面设计基准
多模式大型语言模型 (MLLMs) 在设计方面的能力是 DesignProbe 基准测试旨在研究的重点。通过对两个级别的设计元素和整体设计进行八个任务的测试,我们发现改进提示可以提高 MLLMs 的性能,并且添加图像比添加文本更能提升性能。
- 大型多模式模型的图形设计
在图形设计领域,自动化地将设计元素整合为一个连贯的多层艺术作品不仅提高了工作效率,还为图形设计的大众化铺平了道路。本文介绍了一种称为 Hierarchical Layout Generation (HLG) 的更灵活和实用的设置,它从无序的 - LayoutFlow: 布局生成的流匹配
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 - AAAI错误定位:使用线框定位器进行非自回归图形布局生成
通过深入分析自回归和非自回归框架的差异,本文提出了一种基于学习的定位器,使用从生成的布局序列中渲染的线框图像作为输入来检测错误的标记,并证明其在全局背景模型和误差传播方面的有效性。
- COLE: 图形设计的层次生成框架
介绍了一个名为 COLE 的分层生成框架,用于将简单的意图提示转化为高质量的平面设计,并支持根据用户输入进行灵活编辑,通过分解任务、合作模型和整合结果,提供了生成可靠性的显著提升。
- 基于语言的图形设计照片调整方法
通过基于语言的方法,我们提供了一个直观的系统,可以帮助图形设计专家和新手进行照片重新着色,以解决现有工具和之前的作品在易用性和表现力之间的困境。
- CVPRLayoutDM:基于 Transformer 的布局生成扩散模型
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。
- CVPR基于分离扩散模型的统一布局生成
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 - ECCVBLT: 双向布局变换器用于可控布局生成
提出一种基于双向非自回归 Transformer 的条件图形布局生成模型 BLT,通过学习掩盖属性并调整掩盖策略,实现可控图形布局的生成,其在速度和准确性上优于现有的布局 Transformer 模型。
- 通过潜在优化实现约束图形布局生成
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。
- CVPRHistoGAN:通过色彩直方图控制 GAN 生成和真实图像的颜色
本文提出了一种基于色彩直方图的方法 HistoGAN,用于控制 GAN 生成的图像的颜色,同时介绍了扩展方法 ReHistoGAN,用于对真实图像进行重新着色,该方法为图像生成和重新着色提供更好的颜色控制方式并产生比现有替代策略更具吸引力的 - 面向属性的布局生成对抗网络用于自动平面设计
本文介绍了一种基于属性条件的布局生成方法,并通过用户研究验证了该方法的有效性。
- ECCV神经设计网络:约束下的图形布局生成
本文提出了一种利用神经设计网络 (NDN) 生成满足用户指定约束条件的设计布局的方法,被实验评估证明生成的设计布局与真实设计布局非常相似,并且在布局推荐方面具有实际应用价值。