ART: 可変多層透明画像生成のための匿名領域トランスフォーマー

ART: Anonymous Region Transformer for Variable Multi-Layer Transparent Image Generation

February 25, 2025

著者: Yifan Pu, Yiming Zhao, Zhicong Tang, Ruihong Yin, Haoxing Ye, Yuhui Yuan, Dong Chen, Jianmin Bao, Sirui Zhang, Yanbin Wang, Lin Liang, Lijuan Wang, Ji Li, Xiu Li, Zhouhui Lian, Gao Huang, Baining Guo

cs.AI

要旨

多層画像生成は、ユーザーが特定の画像レイヤーを分離、選択、編集することを可能にする基本的なタスクであり、生成モデルとのインタラクションに革命をもたらします。本論文では、グローバルなテキストプロンプトと匿名領域レイアウトに基づいて、可変多層透明画像を直接生成するAnonymous Region Transformer (ART)を紹介します。スキーマ理論に着想を得たこの匿名領域レイアウトは、生成モデルがどの視覚トークンをどのテキストトークンに紐付けるかを自律的に決定することを可能にし、従来の画像生成タスクで主流であった意味的レイアウトとは対照的です。さらに、各匿名領域に属する視覚トークンのみを選択するレイヤー単位の領域切り抜きメカニズムにより、注意計算コストが大幅に削減され、多数の異なるレイヤー（例：50以上）を持つ画像の効率的な生成が可能になります。完全な注意アプローチと比較して、我々の手法は12倍以上高速で、レイヤー間の競合も少ないです。さらに、可変多層透明画像の透明度を直接的に共同でエンコードおよびデコードする高品質な多層透明画像オートエンコーダを提案します。ARTは、正確な制御とスケーラブルなレイヤー生成を可能にすることで、インタラクティブなコンテンツ作成の新たなパラダイムを確立します。

English

Multi-layer image generation is a fundamental task that enables users to isolate, select, and edit specific image layers, thereby revolutionizing interactions with generative models. In this paper, we introduce the Anonymous Region Transformer (ART), which facilitates the direct generation of variable multi-layer transparent images based on a global text prompt and an anonymous region layout. Inspired by Schema theory suggests that knowledge is organized in frameworks (schemas) that enable people to interpret and learn from new information by linking it to prior knowledge.}, this anonymous region layout allows the generative model to autonomously determine which set of visual tokens should align with which text tokens, which is in contrast to the previously dominant semantic layout for the image generation task. In addition, the layer-wise region crop mechanism, which only selects the visual tokens belonging to each anonymous region, significantly reduces attention computation costs and enables the efficient generation of images with numerous distinct layers (e.g., 50+). When compared to the full attention approach, our method is over 12 times faster and exhibits fewer layer conflicts. Furthermore, we propose a high-quality multi-layer transparent image autoencoder that supports the direct encoding and decoding of the transparency of variable multi-layer images in a joint manner. By enabling precise control and scalable layer generation, ART establishes a new paradigm for interactive content creation.