UniWorld-Design: 픽셀 생성에서 레이어-네이티브 디자인으로

초록

우리는 UniWorld-Design를 소개한다. 이는 이미지 생성을 평면적 픽셀 합성에서 구조화된 시각적 구성으로 재정의하는 프레임워크로, 의미론적 RGBA 레이어를 생성, 이해, 편집의 원자적 단위로 사용한다. 우리의 핵심 통찰은 픽셀이 이미지가 렌더링되는 방식을 정의하는 반면, 레이어는 이미지가 생성되고 이해되며 편집되는 방식을 정의한다는 것이다. 인간 디자이너가 원시 픽셀이 아닌 레이어를 통해 시각적 콘텐츠를 생성하고 조작하듯이, UniWorld-Design는 다중모달 생성 모델에 레이어 기반 설계 공간을 제공한다. UniWorld-Design는 두 개의 모델로 구성된다. Text-to-RGBA(T2RGBA) 모델은 텍스트로부터 독립형 RGBA 에셋을 직접 생성한다. Image-to-Layer(I2L) 모델은 완성된 이미지, 전역 명령, 레이어별 프롬프트를 조건으로 입력받아 순서가 지정된 완전한 의미론적 RGBA 레이어들을 공동으로 생성한다. 이 명령 인터페이스는 최상위 분해, 재귀적 분해, 대상 추출을 지원하여, 레이어링을 에이전트형 편집이 가능한 명령-주소화 연산으로 만든다. I2L은 가시적 픽셀 분할이 아닌 완전한 의미론적 객체를 학습하므로, 생성된 레이어는 이동되거나 제거되어도 사용 가능한 상태를 유지한다. Crello 벤치마크에서 I2L은 레이어별 RGB L1 오차를 37% 감소시키고, Alpha Soft IoU에서 Qwen-Image-Layered 대비 34%의 상대적 개선을 달성한다. 또한 T2RGBA는 CLIP Score에서 최고 수준을 기록하여 LayerDiffuse 및 OmniAlpha를 능가한다.

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.