論文の概要: RevealLayer: Disentangling Hidden and Visible Layers via Occlusion-Aware Image Decomposition

• arxiv url: http://arxiv.org/abs/2605.11818v1
• Date: Tue, 12 May 2026 09:09:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.743824
• Title: RevealLayer: Disentangling Hidden and Visible Layers via Occlusion-Aware Image Decomposition
• Title（参考訳）: RevealLayer:隠蔽層と可視層をOcclusion-Aware Image Decompositionで切り離す
• Authors: Binhao Wang, Shihao Zhao, Bo Cheng, Qiuyu Ji, Yuhang Ma, Liebucha Wu, Shanyuan Liu, Dawei Leng, Yuhui Yin,
• Abstract要約: RGBイメージを複数のRGBA層に分解する拡散ベースのフレームワークであるRevealLayerを提案する。 トレーニングと評価を支援するために,自動アルゴリズムと人間のアノテーションの協調によって構築された高品質な多層自然画像であるRevealLayer-100Kを紹介した。
• 参考スコア（独自算出の注目度）: 16.33087128655428
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent diffusion-based approaches have made substantial progress in image layer decomposition. However, accurately decomposing complex natural images remains challenging due to difficulties in occlusion completion, robust layer disentanglement, and precise foreground boundaries. Moreover, the scarcity of high-quality multi-layer natural image datasets limits advancement. To address these challenges, we propose RevealLayer, a diffusion-based framework that decomposes an RGB image into multiple RGBA layers, enabling precise layer separation and reliable recovery of occluded content in natural images. RevealLayer incorporates three key components: (1) a Region-Aware Attention module to disentangle hidden and visible layers; (2) an Occlusion-Guided Adapter to leverage contextual information to enhance overlapping regions; and (3) a composite loss to enforce sharp alpha boundaries and suppress residual artifacts. To support training and evaluation, we introduce RevealLayer-100K, a high-quality multi-layer natural image constructed through a collaboration between automated algorithms and human annotation, and further establish RevealLayerBench for benchmarking layer decomposition in general natural scenes. Extensive experiments demonstrate that RevealLayer consistently outperforms existing approaches in layer decomposition.
• Abstract（参考訳）: 最近の拡散に基づくアプローチは、画像層分解に大きな進歩をもたらした。 しかし, 複雑な自然像の正確な分解は, 閉塞完了の困難さ, 強靭な層展開, 前景境界の精密化などにより, 依然として困難である。 さらに、高品質な多層自然画像データセットの不足により、進歩が制限される。 これらの課題に対処するために,RGB画像を複数のRGBA層に分解する拡散ベースのフレームワークであるRevealLayerを提案する。 RevealLayerには、3つの重要なコンポーネントが含まれている。(1)隠蔽層と可視層をアンタングルするRerea-Aware Attentionモジュール、(2)コンテキスト情報を活用して重複領域を強化するOcclusion-Guided Adapter、(3)急激なアルファ境界を強制する複合的損失、および残留アーティファクトを抑圧するRevealLayer。 トレーニングと評価を支援するために,自動アルゴリズムと人間のアノテーションの協調によって構築された高品質な多層自然画像であるRevealLayer-100Kを導入し,さらに,一般的な自然シーンにおける層分解のベンチマークを行うRevealLayerBenchを確立する。 大規模な実験では、RevealLayerが既存の層分解のアプローチを一貫して上回っていることが示されている。

関連論文リスト

• LimeCross: Context-Conditioned Layered Image Editing with Structural Consistency [7.077690782604656]
  トレーニング不要な文脈条件付き階層画像編集フレームワークLimeCrossを提案する。 テキストに従ってユーザ選択のRGBAレイヤを編集し、残りのレイヤは変更しない。 実験により、LimeCrossは強力な編集ベースラインよりも層純度と合成リアリズムを改善することが示された。
  論文  参考訳（メタデータ） (2026-05-11T10:18:28Z)
• Qwen-Image-Layered: Towards Inherent Editability via Layer Decomposition [73.43121650616804]
  単一のRGB画像を複数の意味的不整合RGBA層に分解するエンドツーエンド拡散モデルである textbfQwen-Image-Layered を提案する。 本手法は,分解品質の既存手法を大幅に上回り,一貫した画像編集のための新しいパラダイムを確立する。
  論文  参考訳（メタデータ） (2025-12-17T17:12:42Z)
• 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)
• DreamLayer: Simultaneous Multi-Layer Generation via Diffusion Mode [47.32061459437175]
  複数の画像層をコヒーレントなテキスト駆動で生成できるフレームワークであるDreamLayerを紹介する。 透過的なフォアグラウンド層とバックグラウンド層の関係を明示的にモデル化することで、DreamLayerは層間接続を構築する。 実験とユーザスタディにより、DreamLayerはよりコヒーレントで整合したレイヤを生成することが示された。
  論文  参考訳（メタデータ） (2025-03-17T05:34:11Z)
• 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)

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。