PrismLayers: Offene Daten für hochwertige generative Modelle mehrschichtiger transparenter Bilder

PrismLayers: Open Data for High-Quality Multi-Layer Transparent Image Generative Models

May 28, 2025

Autoren: Junwen Chen, Heyang Jiang, Yanbin Wang, Keming Wu, Ji Li, Chao Zhang, Keiji Yanai, Dong Chen, Yuhui Yuan

cs.AI

Zusammenfassung

Die Erzeugung hochwertiger, mehrschichtiger transparenter Bilder aus Textprompts kann eine neue Ebene der kreativen Kontrolle freisetzen, die es Nutzern ermöglicht, jede Ebene so mühelos zu bearbeiten wie Textausgaben von LLMs. Allerdings hinkt die Entwicklung mehrschichtiger generativer Modelle der konventioneller Text-zu-Bild-Modelle hinterher, da es an einem umfangreichen, hochwertigen Korpus mehrschichtiger transparenter Daten mangelt. In diesem Papier gehen wir diese grundlegende Herausforderung an, indem wir: (i) den ersten offenen, ultrahochauflösenden PrismLayers (PrismLayersPro) Datensatz mit 200K (20K) mehrschichtigen transparenten Bildern mit präzisen Alpha-Matten veröffentlichen, (ii) eine trainingsfreie Synthese-Pipeline vorstellen, die solche Daten bedarfsgerecht mit verfügbaren Diffusionsmodellen erzeugt, und (iii) ein leistungsstarkes, quelloffenes mehrschichtiges Generationsmodell, ART+, liefern, das die Ästhetik moderner Text-zu-Bild-Generationsmodelle erreicht. Die wesentlichen technischen Beiträge umfassen: LayerFLUX, das sich durch die Erzeugung hochwertiger einzelner transparenter Ebenen mit präzisen Alpha-Matten auszeichnet, und MultiLayerFLUX, das mehrere LayerFLUX-Ausgaben zu vollständigen Bildern zusammensetzt, geleitet durch menschlich annotierte semantische Layouts. Um eine höhere Qualität zu gewährleisten, wenden wir eine strenge Filterungsphase an, um Artefakte und semantische Fehlanpassungen zu entfernen, gefolgt von einer menschlichen Auswahl. Das Feinabstimmen des state-of-the-art ART-Modells auf unser synthetisches PrismLayersPro ergibt ART+, das das ursprüngliche ART in 60% der direkten Nutzerstudienvergleiche übertrifft und sogar die visuelle Qualität der von FLUX.1-[dev] erzeugten Bilder erreicht. Wir gehen davon aus, dass unsere Arbeit eine solide Datensatzgrundlage für die Aufgabe der mehrschichtigen transparenten Bildgenerierung schaffen wird, die Forschung und Anwendungen ermöglicht, die präzise, bearbeitbare und visuell ansprechende geschichtete Bildmaterialien erfordern.

English

Generating high-quality, multi-layer transparent images from text prompts can unlock a new level of creative control, allowing users to edit each layer as effortlessly as editing text outputs from LLMs. However, the development of multi-layer generative models lags behind that of conventional text-to-image models due to the absence of a large, high-quality corpus of multi-layer transparent data. In this paper, we address this fundamental challenge by: (i) releasing the first open, ultra-high-fidelity PrismLayers (PrismLayersPro) dataset of 200K (20K) multilayer transparent images with accurate alpha mattes, (ii) introducing a trainingfree synthesis pipeline that generates such data on demand using off-the-shelf diffusion models, and (iii) delivering a strong, open-source multi-layer generation model, ART+, which matches the aesthetics of modern text-to-image generation models. The key technical contributions include: LayerFLUX, which excels at generating high-quality single transparent layers with accurate alpha mattes, and MultiLayerFLUX, which composes multiple LayerFLUX outputs into complete images, guided by human-annotated semantic layout. To ensure higher quality, we apply a rigorous filtering stage to remove artifacts and semantic mismatches, followed by human selection. Fine-tuning the state-of-the-art ART model on our synthetic PrismLayersPro yields ART+, which outperforms the original ART in 60% of head-to-head user study comparisons and even matches the visual quality of images generated by the FLUX.1-[dev] model. We anticipate that our work will establish a solid dataset foundation for the multi-layer transparent image generation task, enabling research and applications that require precise, editable, and visually compelling layered imagery.