.png){kind=icon}
返回
LayoutRectifier: An Optimization-based Post-processing for Graphic Design Layout Generation
.png){kind=icon}
OA
AI
DOI：10.1111/cgf.70273.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，深度学习方法能够高效地生成多样化的图形设计布局。然而，这些方法通常会产生存在缺陷的布局，例如对齐错误、不希望的覆盖以及不满足的包含关系。为解决此问题，我们提出了一种基于优化的方法，称为LayoutRectifier，它能够优雅地修正自动生成的图形设计布局，以减少这些缺陷，同时最小化与生成布局的偏差。我们方法的核心是两阶段优化。首先，我们利用网格系统（专业设计师常用以组织元素的系统）通过离散搜索来缓解对齐错误。其次，我们引入了一种新颖的框包含函数，旨在调整布局元素的位置和尺寸，以防止不希望的覆盖并促进期望的包含关系。我们在与内容无关和与内容相关的布局生成任务上评估了我们的方法，并获得了质量更优、更适合下游图形设计任务的布局。我们的方法补充了基于学习的布局生成方法，且不需要额外的训练。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.9
论文数:
562
被引数:
1.1W
机构
引用论文
.png){kind=icon}
分享收藏Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression距离-IoU损失: 边界盒回归的更快更好的学习OAAI
OAAI分享收藏分享收藏 没有更多内容
没有更多内容