Un plano de planta 2D (FP) a menudo contiene elementos estructurales, decorativos y funcionales, así como anotaciones. La vectorización de planos de planta (VFP) es una tarea de detección de objetos que implica la localización y el reconocimiento de diferentes primitivas estructurales en FPs 2D. Los resultados de detección se pueden utilizar para generar modelos 3D directamente. La línea de trabajo convencional de VFP a menudo consiste en una serie de algoritmos complejos cuidadosamente diseñados con una capacidad de generalización insuficiente y sufren de baja velocidad de cálculo. Considerando que la VFP no es adecuada para marcos de detección de objetos basados en aprendizaje profundo, este documento propone un nuevo marco de VFP para resolver este problema basado en una red generativa adversarial (GAN). Primero, se establece un conjunto de datos privado llamado ZSCVFP. A diferencia de los conjuntos de datos públicos actuales que solo poseen no más de 5000 muestras en blanco y negro, ZSCVFP contiene 10,800 muestras coloridas perturbadas por texturas decorativas en diferentes estilos. En segundo lugar, se diseña una nueva GAN de extracción de bordes (EdgeGAN) para la nueva tarea al formular la tarea de VFP como una tarea de traducción de imágenes de manera innovadora, que implica la proyección de los FPs 2D originales en un espacio primitivo. La salida de EdgeGAN es un mapa de características primitivas, cada canal del cual solo contiene una categoría de las primitivas detectadas en forma de líneas. Se introduce un término de auto-supervisión en la pérdida generativa de EdgeGAN para garantizar la calidad de las imágenes generadas. EdgeGAN es más rápido que la línea de trabajo convencional y basada en marcos de detección de objetos con una pérdida de rendimiento mínima. Por último, se proponen dos módulos de inspección que también son adecuados para líneas de trabajo convencionales para verificar la conectividad y consistencia de PFM basados en el gráfico de conectividad de subespacios (SCG). El primer módulo contiene cuatro criterios que corresponden a las condiciones suficientes de un gráfico completamente conectado. El segundo módulo, que clasifica la categoría de todos los subespacios a través de una única red neuronal gráfica (GNN), debe ser consistente con las anotaciones de texto en el FP original (si están disponibles). La razón es que GNN trata la matriz adyacente de SCG como pesos directamente. Por lo tanto, GNN puede utilizar la información del diseño global y lograr una mayor precisión que otros métodos de clasificación comunes. Se presentan resultados experimentales para ilustrar la eficiencia de EdgeGAN y los enfoques de inspección propuestos.