OverLayBench: Ein Benchmark für die Layout-zu-Bild-Generierung mit dichten Überlappungen

OverLayBench: A Benchmark for Layout-to-Image Generation with Dense Overlaps

September 23, 2025

papers.authors: Bingnan Li, Chen-Yu Wang, Haiyang Xu, Xiang Zhang, Ethan Armand, Divyansh Srivastava, Xiaojun Shan, Zeyuan Chen, Jianwen Xie, Zhuowen Tu

cs.AI

papers.abstract

Trotz stetiger Fortschritte in der Layout-zu-Bild-Generierung haben aktuelle Methoden nach wie vor Schwierigkeiten mit Layouts, die signifikante Überlappungen zwischen Begrenzungsrahmen aufweisen. Wir identifizieren zwei Hauptherausforderungen: (1) große überlappende Regionen und (2) überlappende Instanzen mit minimaler semantischer Unterscheidung. Anhand qualitativer Beispiele und quantitativer Analysen zeigen wir, wie diese Faktoren die Generierungsqualität beeinträchtigen. Um dieses Problem systematisch zu bewerten, führen wir OverLayScore ein, eine neuartige Metrik, die die Komplexität überlappender Begrenzungsrahmen quantifiziert. Unsere Analyse zeigt, dass bestehende Benchmarks auf einfachere Fälle mit niedrigen OverLayScore-Werten ausgerichtet sind, was ihre Wirksamkeit bei der Bewertung der Modellleistung unter anspruchsvolleren Bedingungen einschränkt. Um diese Lücke zu schließen, präsentieren wir OverLayBench, einen neuen Benchmark mit hochwertigen Annotationen und einer ausgewogenen Verteilung über verschiedene OverLayScore-Niveaus hinweg. Als ersten Schritt zur Verbesserung der Leistung bei komplexen Überlappungen schlagen wir auch CreatiLayout-AM vor, ein Modell, das auf einem kuratierten amodalen Masken-Datensatz feinabgestimmt wurde. Zusammen legen unsere Beiträge den Grundstein für eine robustere Layout-zu-Bild-Generierung unter realistischen und anspruchsvollen Szenarien. Projektlink: https://mlpc-ucsd.github.io/OverLayBench.

English

Despite steady progress in layout-to-image generation, current methods still struggle with layouts containing significant overlap between bounding boxes. We identify two primary challenges: (1) large overlapping regions and (2) overlapping instances with minimal semantic distinction. Through both qualitative examples and quantitative analysis, we demonstrate how these factors degrade generation quality. To systematically assess this issue, we introduce OverLayScore, a novel metric that quantifies the complexity of overlapping bounding boxes. Our analysis reveals that existing benchmarks are biased toward simpler cases with low OverLayScore values, limiting their effectiveness in evaluating model performance under more challenging conditions. To bridge this gap, we present OverLayBench, a new benchmark featuring high-quality annotations and a balanced distribution across different levels of OverLayScore. As an initial step toward improving performance on complex overlaps, we also propose CreatiLayout-AM, a model fine-tuned on a curated amodal mask dataset. Together, our contributions lay the groundwork for more robust layout-to-image generation under realistic and challenging scenarios. Project link: https://mlpc-ucsd.github.io/OverLayBench.