基于递归神经网络的结构化网格布局生成方法及设备技术

本申请公开了一种基于递归神经网络的结构化网格布局生成方法及设备，方法包括获取训练结构化网格布局的训练布局树；将训练布局树输入初始生成网络模型中的递归编码模块，得到训练潜在编码向量；将训练潜在编码向量输入变分自编码器生成感知编码向量；将感知编码向量输入初始生成网络模型中的递归解码模块得到预测布局树；基于训练布局树和预测布局树训练初始生成网络模型，得到生成网络模型；基于生成网络模型生成结构化网格布局

【技术实现步骤摘要】
基于递归神经网络的结构化网格布局生成方法及设备


[0001]本申请涉及计算机图像学
，特别涉及一种基于递归神经网络的结构化网格布局生成方法及设备
。

技术介绍

[0002]二维布局（
2D Layout
）指的是元素在场景或者文档中的抽象定位，布局可以包括文档
、
杂志
、
海报
、
图形用户界面（
GUI
）等不同的类型，被广泛应用于包装
、
广告
、
活动邀请和个人网站等等
。
在二维布局生成过程中，在生成布局过程中忽略了元素间全局关系或者多个元素间的相互关系，这使得生成方法在布局变化较大的数据集（如杂志数据集）上的生成能力较差
。
[0003]因而现有技术还有待改进和提高
。

技术实现思路

[0004]本申请要解决的技术问题在于，针对现有技术的不足，提供一种基于递归神经网络的结构化网格布局生成方法及设备
。
[0005]为了解决上述技术问题，本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于递归神经网络的结构化网格布局生成方法，其特征在于，所述基于递归神经网络的结构化网格布局生成方法包括：获取预设训练数据集中的训练结构化网格布局的训练布局树；将所述训练布局树输入初始生成网络模型中的递归编码模块，通过所述递归编码模块对所述训练布局树进行编码，以得到训练潜在编码向量；将所述训练潜在编码向量输入变分自编码器，通过变分自编码器生成感知编码向量；将所述感知编码向量输入初始生成网络模型中的递归解码模块，通过递归解码模块对所述感知编码向量进行解码，以得到预测布局树；基于所述训练布局树和所述预测布局树对所述初始生成网络模型进行训练，以得到经过训练的生成网络模型；基于所述生成网络模型，生成结构化网格布局
。2.
根据权利要求1所述的基于递归神经网络的结构化网格布局生成方法，其特征在于，所述递归编码模块包括几何编码器
、
类别编码器
、
元素编码器以及排列编码器，所述几何编码器和类别编码器均与所述元素编码器相连接，所述元素编码器用于对训练布局树中的叶子节点进行编码，所述排列编码器用于对训练布局树中的分支节点进行编码，其中，所述排列编码器包括水平排列编码器
、
垂直排布编码器以及堆叠排布编码器
。3.
根据权利要求1所述的基于递归神经网络的结构化网格布局生成方法，其特征在于，所述递归编码模块包括几何解码器
、
类别解码器
、
元素解码器
、
排列解码器以及辅助分类器，所述几何解码器和类别解码器均与所述元素编解码器相连接，所述元素解码器用于对训练布局树中的叶子节点进行编码，所述排列解码器用于对训练布局树中的分支节点进行编码，其中，所述排列解码器包括水平排列解码器
、
垂直排布解码器以及堆叠排布解码器，所述辅助分类器包括节点类型分类器和孩子判别器
。4.
根据权利要求1‑3任意一项所述的基于递归神经网络的结构化网格布局生成方法，其特征在于，所述生成网络模型对应的损失函数包括几何损失项
、
节点类别损失项
、
语义类别损失项
、
孩子节点判别损失项和训练潜在编码向量的散度损失项
。5.
根据权利要求1所述的基于递归神经网络的结构化网格布局生成方法，其特征在于，所述获取预...

【专利技术属性】
技术研发人员：徐鹏飞，施蔚然，胡昕，黄惠，
申请(专利权)人：深圳大学，
类型：发明
国别省市：