LayerD : Décomposition des conceptions graphiques raster en couches

LayerD: Decomposing Raster Graphic Designs into Layers

September 29, 2025

papers.authors: Tomoyuki Suzuki, Kang-Jun Liu, Naoto Inoue, Kota Yamaguchi

cs.AI

papers.abstract

Les concepteurs créent et modifient des designs graphiques en utilisant une représentation par couches, mais l'édition basée sur les couches devient impossible une fois que l'image est compositée en une image raster. Dans ce travail, nous proposons LayerD, une méthode pour décomposer les designs graphiques raster en couches afin de permettre un flux de travail créatif ré-éditable. LayerD aborde la tâche de décomposition en extrayant itérativement les couches de premier plan non occultées. Nous proposons une approche de raffinement simple mais efficace, en tirant parti de l'hypothèse selon laquelle les couches présentent souvent une apparence uniforme dans les designs graphiques. Comme la décomposition est un problème mal posé et que la structure des couches de référence peut ne pas être fiable, nous développons une métrique de qualité pour répondre à cette difficulté. Dans les expériences, nous montrons que LayerD parvient à réaliser une décomposition de haute qualité et surpasse les méthodes de référence. Nous démontrons également l'utilisation de LayerD avec des générateurs d'images de pointe et l'édition basée sur les couches.

English

Designers craft and edit graphic designs in a layer representation, but layer-based editing becomes impossible once composited into a raster image. In this work, we propose LayerD, a method to decompose raster graphic designs into layers for re-editable creative workflow. LayerD addresses the decomposition task by iteratively extracting unoccluded foreground layers. We propose a simple yet effective refinement approach taking advantage of the assumption that layers often exhibit uniform appearance in graphic designs. As decomposition is ill-posed and the ground-truth layer structure may not be reliable, we develop a quality metric that addresses the difficulty. In experiments, we show that LayerD successfully achieves high-quality decomposition and outperforms baselines. We also demonstrate the use of LayerD with state-of-the-art image generators and layer-based editing.