UniWorld-Design：ピクセル生成からレイヤー原生デザインへ

要旨

我々はUniWorld-Designを紹介する。これは、画像生成をフラットなピクセル合成から構造化された視覚的構成へと再定義するフレームワークであり、意味的RGBAレイヤーを生成・理解・編集の原子単位とする。我々の重要な洞察は、ピクセルが画像のレンダリング方法を定義するのに対し、レイヤーは画像の作成・理解・編集方法を定義するという点である。人間のデザイナーが生のピクセルではなくレイヤーを通じて視覚コンテンツを作成・操作するのと同様に、UniWorld-Designはマルチモーダル生成モデルにレイヤーをネイティブとする設計空間を提供する。UniWorld-Designは2つのモデルで構成される。Text-to-RGBA（T2RGBA）モデルは、テキストから直接、独立したRGBAアセットを生成する。Image-to-Layer（I2L）モデルは、完成した画像、全体指示、およびレイヤーごとのプロンプトを条件とし、順序付けられた完全な意味的RGBAレイヤーを共同で生成する。その指示インターフェースは、トップレベル分解、再帰的分解、および対象指定抽出をサポートし、レイヤー化をエージェント編集のための指示アドレス可能な操作にする。I2Lは可視ピクセルの分割ではなく完全な意味的オブジェクトを学習するため、そのレイヤーは移動または削除しても使用可能なままである。Crelloベンチマークにおいて、I2LはレイヤーごとのRGB L1誤差を37%削減し、Alpha Soft IoUではQwen-Image-Layeredに対して34%の相対改善を達成する。別途、T2RGBAは最高のCLIPスコアを達成し、LayerDiffuseおよびOmniAlphaを上回る。

English

We introduce UniWorld-Design, a framework that redefines image generation from flat pixel synthesis to structured visual composition, with semantic RGBA layers as the atomic units of generation, understanding, and editing. Our key insight is that pixels define how an image is rendered, whereas layers define how an image is created, understood, and edited. Just as human designers create and manipulate visual content through layers rather than raw pixels, UniWorld-Design equips multimodal generative models with a layer-native design space. UniWorld-Design comprises two models. The Text-to-RGBA (T2RGBA) model generates standalone RGBA assets directly from text. The Image-to-Layer (I2L) model conditions on a finished image, a global instruction and per-layer prompts, and jointly produces ordered, complete semantic RGBA layers. Its instruction interface supports top-level decomposition, recursive decomposition and targeted extraction, making layering an instruction-addressable operation for agentic editing. Because I2L learns complete semantic objects rather than visible-pixel partitions, its layers stay usable when moved or removed. On the Crello benchmark, I2L reduces per-layer RGB L1 error by 37% and achieves a 34% relative improvement in Alpha Soft IoU over Qwen-Image-Layered. Separately, T2RGBA achieves the highest CLIP Score, outperforming LayerDiffuse and OmniAlpha.