DogLayout：用于离散与连续布局生成的去噪扩散GAN
计算机视觉与模式识别
2024-12-03 v1
摘要
布局生成旨在从给定元素合成合理的排列。当前，布局生成中的主要方法是生成对抗网络（GAN）和扩散模型，每种方法都存在自身的挑战。GAN通常因需要可微分的生成样本而难以处理离散数据，历史上也通过将离散标签视为固定条件来规避直接生成离散标签的问题。相比，扩散模型虽然在多个指标上实现了最佳性能，但需要大量采样步骤，导致显著的时间成本。为解决这些限制，我们提出了DogLayout（Denosing Diffusion GAN Layout模型），将扩散过程集成到GAN中，以实现离散标签数据的生成，并显著减少扩散的采样时间。实验表明，DogLayout将采样成本降低了最高可达175倍，将重叠度从16.43降至9.59，且超过了基于GAN的其他布局方法。代码已公开于https://github.com/deadsmither5/DogLayout。
引用
@article{arxiv.2412.00381,
title = {DogLayout: Denoising Diffusion GAN for Discrete and Continuous Layout Generation},
author = {Zhaoxing Gan and Guangnan Ye},
journal= {arXiv preprint arXiv:2412.00381},
year = {2024}
}
备注
Code is available at https://github.com/deadsmither5/DogLayout