OpenCOLE: Towards Reproducible Automatic Graphic Design Generation

近来，自动生成图形设计受到了相当多的关注。然而，最先进的方法非常复杂，依赖于专有数据集，这造成了可重复性方面的障碍。本文提出了一个名为OpenCOLE的自动图形设计开放框架，在其中我们构建了一个修改版的开创性COLE，并仅使用公开可用的数据集来训练我们的模型。基于GPT4V评估，我们的模型表现出有希望的性能，与原始COLE相当。我们发布了管道和训练结果，以鼓励开放发展。

本论文旨在提出一种名为OpenCOLE的开放框架，用于自动图形设计，该框架使用公开可用的数据集，以解决当前自动图形设计方法中的可重复性问题。

论文提出了一种使用公开可用数据集的改进版COLE模型，并通过GPT4V评估展示了该模型的性能，这种方法在自动图形设计领域具有新意。

论文开发了一个开放框架OpenCOLE，使用公开数据集训练了改进版COLE模型，证明了该模型的性能与原版COLE相当。论文的实验结果和代码已经开源，为进一步研究提供了便利。

最近的相关研究包括：1. “Generative Pre-trained Transformer 3 for Automatic Graphic Design” 2. “Learning to Generate Graphics with Generative Adversarial Networks” 3. “Neural Style Transfer for Image-Based Graphic Design”