既存の探索アルゴリズムに依存するものでは生成されるサンプルの多様性が保証されない点などがあるが、これをTransformerをベースとしたVAEの構造でモデルを構成することで多様なレイアウトの生成ができた。また、self-attentionを用いることで追加のアノテーションを必要としない点も新しい。

PubLayNet, RICO, SUN RGB-Dなどで、レイアウトの質と多様性の２つの基準で評価。具体的にはWasserstein距離でレイアウトが学習分布にどれだけ似ているか、DocSimでレイアウトの多様性を評価してSoTA

生成できているレイアウトが整列されている点を確認すると、知覚的にとてもいいものが出ているとわかる(添付画像)。