論文の概要: LayerD: Decomposing Raster Graphic Designs into Layers

• arxiv url: http://arxiv.org/abs/2509.25134v1
• Date: Mon, 29 Sep 2025 17:50:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:20.18242
• Title: LayerD: Decomposing Raster Graphic Designs into Layers
• Title（参考訳）: LayerD: Rasterのグラフィックデザインをレイヤに分解する
• Authors: Tomoyuki Suzuki, Kang-Jun Liu, Naoto Inoue, Kota Yamaguchi,
• Abstract要約: LayerDは、グラフィックデザインをレイヤに分解して、再編集可能なクリエイティブワークフローを作成する方法である。 層が一様に見えるという仮定を生かした,単純かつ効果的な改質手法を提案する。 実験では、LayerDは高品質な分解を実現し、ベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 15.294433619347082
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 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.
• Abstract（参考訳）: デザイナーはグラフィックデザインをレイヤ表現で作成・編集するが、一度ラスタ画像に合成するとレイヤーベースの編集は不可能になる。 本研究では,ラスタグラフィックをレイヤに分解して再編集可能なクリエイティブワークフローを実現する方法であるLayerDを提案する。 LayerDは、非閉塞のフォアグラウンド層を反復的に抽出することで、分解タスクに対処する。 図形設計において,層が一様に見えるという仮定を生かした,単純かつ効果的な改質手法を提案する。 分解は不良であり, 地層構造は信頼性が低いため, 難易度に対処する品質指標を開発する。 実験では、LayerDは高品質な分解を実現し、ベースラインを上回ります。 また、LayerDを最先端の画像生成やレイヤベースの編集に利用することも実証した。

関連論文リスト

• Rethinking Layered Graphic Design Generation with a Top-Down Approach [76.33538798060326]
  図形デザインは、アイデアやメッセージを伝えるのに不可欠である。デザイナーは通常、編集を簡単にするために、オブジェクト、背景、ベクトル化されたテキスト層に作業を整理する。 GenAI方式の登場により、ピクセルフォーマットにおける高品質なグラフィックデザインの無限の供給がよりアクセスしやすくなってきた。 これにもかかわらず、非層型設計は人間の設計を刺激し、レイアウトやテキストスタイルの選択に影響を与え、最終的に層型設計を導いた。 本稿では,AI生成したデザインを編集可能な階層化設計に変換する最初の試みとして,グラフィックデザイン生成フレームワークであるAccordionを提案する。
  論文  参考訳（メタデータ） (2025-07-08T02:26:08Z)
• LayerPeeler: Autoregressive Peeling for Layer-wise Image Vectorization [14.917583676464266]
  本稿では,新しいレイヤワイド画像ベクトル化手法であるLayerPeelerを紹介する。 最上位の非閉塞層を識別・除去することにより、完全な経路とコヒーレントな層構造を持つベクトルグラフを生成する。 本手法は視覚言語モデルを利用して,要素間の関係をキャプチャする層グラフを構築する。
  論文  参考訳（メタデータ） (2025-05-29T17:58:03Z)
• DiffDecompose: Layer-Wise Decomposition of Alpha-Composited Images via Diffusion Transformers [85.1185656296496]
  本稿では,DiffDecomposeについて述べる。DiffDecomposeは拡散トランスフォーマーをベースとしたフレームワークで,入力画像に条件付き可能な層分解を後部から学習する。 コードとデータセットは、論文の受理時に提供される。
  論文  参考訳（メタデータ） (2025-05-24T16:08:04Z)
• LayeringDiff: Layered Image Synthesis via Generation, then Disassembly with Generative Knowledge [14.481577976493236]
  LayeringDiffは、階層化されたイメージを合成するための新しいパイプラインである。 合成イメージからレイヤを抽出することで、スクラッチから生成するのではなく、大規模なトレーニングの必要性を回避できる。 実効的な層分解のために,前景層と背景層を推定する前に,大規模事前学習型生成法を適用する。
  論文  参考訳（メタデータ） (2025-01-02T11:18:25Z)
• Generative Image Layer Decomposition with Visual Effects [49.75021036203426]
  LayerDecompは、イメージ層分解のための生成フレームワークである。 清潔な背景と、忠実に保存された視覚効果を持つ高品質な透明な前景を作り出す。 本手法は,オブジェクト除去や空間編集作業において,既存の手法よりも優れた分解特性を実現する。
  論文  参考訳（メタデータ） (2024-11-26T20:26:49Z)
• LayerDiff: Exploring Text-guided Multi-layered Composable Image Synthesis via Layer-Collaborative Diffusion Model [70.14953942532621]
  層共同拡散モデルであるLayerDiffは、テキスト誘導、多層化、構成可能な画像合成のために設計されている。 本モデルでは,従来の全画像生成手法に匹敵する性能で,高品質な多層画像を生成することができる。 LayerDiffは、レイヤ固有の画像編集やスタイル転送など、幅広いコントロール可能な生成アプリケーションを可能にする。
  論文  参考訳（メタデータ） (2024-03-18T16:28:28Z)
• Text2Layer: Layered Image Generation using Latent Diffusion Model [12.902259486204898]
  階層化画像生成の観点から階層化画像を生成することを提案する。 階層画像生成を実現するために,階層画像の再構成が可能なオートエンコーダを訓練する。 実験結果から,提案手法は高品質な階層画像を生成することができることがわかった。
  論文  参考訳（メタデータ） (2023-07-19T06:56:07Z)
• Spatially-Adaptive Multilayer Selection for GAN Inversion and Editing [57.46189236379433]
  本稿では,StyleGAN2 など,GAN の潜在空間における複雑な画像を反転・編集する手法を提案する。 我々のキーとなる考え方は、画像の難易度に逆過程を空間的に適応させることで、レイヤーの集合による逆転を探索することである。
  論文  参考訳（メタデータ） (2022-06-16T17:57:49Z)
• SLIDE: Single Image 3D Photography with Soft Layering and Depth-aware Inpainting [54.419266357283966]
  シングルイメージの3D写真は、視聴者が新しい視点から静止画を見ることを可能にする。 最近のアプローチでは、単分子深度ネットワークと塗装ネットワークを組み合わせることで、説得力のある結果が得られる。 単一画像3D撮影のためのモジュール・統一システムであるSLIDEについて述べる。
  論文  参考訳（メタデータ） (2021-09-02T16:37:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。