1.introduction
PKU PosterLayout包括9974对海报布局和905张图像，DSF设计序列生成算法，一种基于CNN-LSTM的生成对抗网络（DS-GAN），受到图像的条件制约，学习设计序列的分布，从而生成具有内容感知的视觉-文本展示布局。
2.Related work
LayoutGAN，LayoutGAN++，CGL-GAN。
3.A New Benchmark:PKU PosterLayout
预定义的元素类型ElementType，目标画布Canvas，尺度（布局和画布数据的数量）以及多样性（即海报的类别）。从电子商务海报数据集（阿里的文字擦除算法开源的电商海报数据集）的子集中选取海报，并定义了元素类型，每个海报都配有一组包含n个元素的布局，L={ei|i=0,1,...n-1}，每个元素e由其类型c和边界框b=[x1,y1,x2,y2]表示，代表左上角和右下角坐标。定义了三种元素，文本，logo和底层装饰（在任何元素下方或者周围的装饰）。在标注时，每个底层装饰必须独立装饰至少一个文本或者logo。
手动标注低效，目标检测辅助，lama去掉不需要元素，接着，通过搜索收集背景和产品图片，已创建不同质量的画布，同时确保每个类型中的数量均衡，总共由9个类型，包括食品/饮料，化妆品/配饰，电子产品/办公用品、玩具/乐器、服装、体育/交通、杂货、家电/装饰和新鲜农产品。
4.proposed approach
4.1 Design sequence formation
行为通过设计序列表示，这些序列反映了设计师在画布上放置元素的顺序，主要原则是最有信息、最重要的元素放在前面。
4.2 Design Sequence GAN
提出了一种基于CNN-LSTM的GAN，借助DSF，布局生成转化为一个新颖的行为建模问题，
使用随机初始化的布局（生成器中）或真实/伪造样本（判别器中）设计的序列直接输入到CNN-LSTM模型，无需额外的输入层。生成器和判别器都采用上述结构，即以视觉特征作为初始隐藏状态，以设计序列作为输入的CNN-LSTM模型，在生成器中，额外链接了两个全连接层，将CNN-LSTM模型输出解码为生成设计序列中每个元素类型和边界框，将有效元素转换为布局。使用Ladv，Lrec。
5.Experiments
