論文の概要: BFS: Back-to-Front Layered Image Synthesis via Knowledge Transfer

• arxiv url: http://arxiv.org/abs/2605.24894v1
• Date: Sun, 24 May 2026 06:46:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.496666
• Title: BFS: Back-to-Front Layered Image Synthesis via Knowledge Transfer
• Title（参考訳）: BFS:知識伝達によるバックエンド層画像合成
• Authors: Kyoungkook Kang, Gyujin Sim, Sunghyun Cho,
• Abstract要約: 階層化された画像合成は、制御可能で創造的な編集に有望な方向です。 階層化画像合成のための世代ベースフレームワークであるBFSを提案する。 我々は,BFSが高品質な階層画像を生成することを示し,従来手法よりも一貫して優れていることを示す。
• 参考スコア（独自算出の注目度）: 16.6842195195723
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As generative models expand the possibilities of visual content creation, layered image synthesis has emerged as a promising direction for controllable and creative editing. However, existing methods struggle to fully realize this potential. Decomposition-based methods often struggle with clean separation, while generation-based methods suffer from difficulty in training data acquisition, reducing quality and scene diversity. In this paper, we propose BFS, a novel generation-based framework for layered image synthesis. Specifically, given a background image and user guidance, BFS synthesizes a foreground layer that incorporates not only a foreground object but also its associated visual effects, such as shadows and reflections, while seamlessly harmonizing with the background to produce a coherent composite. To enable diverse and high-quality foreground layer synthesis while overcoming data scarcity, we leverage the comparatively easy-to-learn knowledge of unlayered image synthesis for the foreground synthesis. To this end, we adopt a dual-branch diffusion framework in which two interconnected branches generate a composite image and a foreground layer, respectively, enabling bidirectional knowledge transfer. Based on this framework, we propose a two-stage training scheme that utilizes a high-quality unlayered composite image dataset to effectively enhance foreground quality. Extensive experiments, including a user study, show that BFS produces high-quality layered images, consistently outperforming prior methods.
• Abstract（参考訳）: 生成モデルが視覚コンテンツ作成の可能性を広げるにつれ、階層化画像合成は、制御可能で創造的な編集のための有望な方向として現れてきた。 しかし、既存の手法はこの可能性を十分に実現するのに苦労している。 分解に基づく手法はクリーンな分離に苦しむことが多いが、世代ベースの手法はデータ取得の訓練、品質の低下、シーンの多様性の低下に苦しむ。 本稿では,階層化画像合成のための新しい世代ベースフレームワークであるBFSを提案する。 具体的には、背景画像とユーザガイダンスが与えられた場合、BFSは前景のオブジェクトだけでなく、影や反射などの関連する視覚効果も取り入れた前景層を合成し、背景とシームレスに調和してコヒーレントな合成を生成する。 データ不足を克服しつつ、多彩で高品質なフォアグラウンド層合成を可能にするため、フォアグラウンド合成において、非層化画像合成の比較的簡単な知識を活用する。 この目的のために、2つの相互接続された分岐が合成画像と前景層を生成し、双方向の知識伝達を可能にするデュアルブランチ拡散フレームワークを採用する。 本研究では,高品質な非層合成画像データセットを用いて,前景品質を効果的に向上する2段階トレーニング手法を提案する。 ユーザスタディを含む大規模な実験により、BFSは高品質な階層画像を生成し、従来手法よりも一貫して優れていることが示された。

関連論文リスト

• LayerComposer: Interactive Personalized T2I via Spatially-Aware Layered Canvas [47.5187068545227]
  我々は、パーソナライズされたマルチオブジェクトのテキスト・ツー・イメージ生成のためのインタラクティブなフレームワークであるLayerComposerを紹介する。 提案された層状キャンバスは、直感的な層操作によって入力対象の配置、サイズ変更、ロックを可能にする。 ロック機構はアーキテクチャ上の変更を必要とせず、代わりに、新しい補完的なデータサンプリング戦略と組み合わせて、固有の位置埋め込みに依存します。
  論文  参考訳（メタデータ） (2025-10-23T17:59:55Z)
• 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)
• PSDiffusion: Harmonized Multi-Layer Image Generation via Layout and Appearance Alignment [23.67447416568964]
  透明な画像層生成はデジタルアートとデザインにおいて重要な役割を果たしている。 既存の手法では、ツールセットを使用して単一のRGBイメージから透過層を分解したり、複数の透過層を順次生成するのが一般的である。 PSDiffusionは,複数層同時生成のための事前学習画像拡散モデルから,画像合成の先行情報を活用する統合拡散フレームワークである。
  論文  参考訳（メタデータ） (2025-05-16T17:23:35Z)
• 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)
• LayerFusion: Harmonized Multi-Layer Text-to-Image Generation with Generative Priors [38.47462111828742]
  階層化されたコンテンツ生成はグラフィックデザイン、アニメーション、デジタルアートといった創造的な分野に不可欠である。 本稿では,2層画像を生成する遅延拡散モデル(LDM)に基づく新しい画像生成パイプラインを提案する。 ベースライン法と比較して,視覚的コヒーレンス,画像品質,レイヤの整合性に大きな改善が見られた。
  論文  参考訳（メタデータ） (2024-12-05T18:59:18Z)
• 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)
• Deep Image Compositing [93.75358242750752]
  ユーザ入力なしで高品質の画像合成を自動生成する手法を提案する。 ラプラシアン・ピラミッド・ブレンディングにインスパイアされ、フォアグラウンドや背景画像からの情報を効果的に融合させるために、密結合型多ストリーム融合ネットワークが提案されている。 実験により,提案手法は高品質な合成物を自動生成し,定性的かつ定量的に既存手法より優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-11-04T06:12:24Z)
• Hierarchy Composition GAN for High-fidelity Image Synthesis [57.32311953820988]
  本稿では,革新的階層構成GAN(HIC-GAN)を提案する。 HIC-GANは、幾何学と外観領域における画像合成をエンドツーエンドのトレーニング可能なネットワークに組み込んでいる。 シーンテキスト画像合成, 肖像画編集, 室内レンダリングタスクの実験により, 提案したHIC-GANは, 質的, 定量的に優れた合成性能が得られることを示した。
  論文  参考訳（メタデータ） (2019-05-12T11:11:24Z)

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。