你是否遇到过这样的困扰：用AI生成一张海报后，想调整画面中某个元素的位置，却发现几乎无法实现？传统设计软件中，设计师通过图层管理元素，背景、主体、文字各自独立，修改时互不影响。然而，主流AI生成图像模型输出的却是扁平化的像素矩阵，模型无法理解“兔子”“月亮”等概念对应的像素区域，更无法处理遮挡关系或修改后的内容填充。
这一矛盾的核心在于：生成模型擅长“绘制结果”，却无法解析“构成过程”。像素仅记录颜色信息，描述画面“是什么样”，而非“由什么组成”。例如，扁平化图片能告诉你某处是红色，却无法说明红色区域是一件衣服，更无法还原被手臂遮挡的部分。相比之下，设计师通过图层管理元素，每一层都是独立、可编辑的对象，这种逻辑差异正是技术突破的关键。
T2RGBA的技术创新在于“渐进改造”现有模型。研究团队在图像自编码器的基础上扩展透明度通道，保留原模型对物体轮廓、光影的学习能力，仅通过微调新增通道参数实现功能升级。这种设计避免了从零训练的效率问题，如同为汽车加装新模块而非拆解重造。训练数据采用设计师整理的“文字配透明图”数据集，兼顾透明与不透明图像，防止模型遗忘常规图像处理能力。最终，T2RGBA在CLIP Score指标上达到33.03分，超越同类模型，但在细节质感上仍有提升空间。
I2L的突破在于实现“语义完整图层”的拆解。传统分割方法仅提取可见像素，被遮挡区域会留下透明空洞；而I2L通过学习物体的完整形态，即使部分被遮挡，拆解后的图层仍能还原隐藏内容。例如，拆解一张海报时，即使文字被图案遮挡，I2L仍能生成完整的文字图层。为实现这一目标，团队设计了LIB-MMDiT架构，通过图层指令绑定注意力机制确保描述与图层精准对应，并通过三维旋转位置编码统一不同图层的坐标系，同时保持层次独立性。
实验数据显示，I2L在Crello基准测试集上表现优异：RGB内容还原误差较同类模型降低37%，透明度匹配精度提升34%，空白图层比例下降63%，糊状半透明层数量减少。模型支持递归分解与目标提取，用户可先拆分背景、主体、文字，再进一步细分主体中的具体元素，或直接提取特定对象合并剩余内容。这种灵活性使图层拆解成为可被外部智能体调用的工具，而非固定流程。
训练数据的真实性是技术落地的关键。研究团队未采用AI生成的图层数据，而是直接使用设计师制作的PSD文件。PSD格式保存了被遮挡图层的完整信息，为模型提供了“标准答案”，避免了偏见传递问题。通过视觉语言模型辅助分组，团队从PSD文件中自动生成顶层分解、递归分解与目标提取三种训练样本，最大化数据利用效率。
为提升推理速度，团队采用两阶段优化流程：渐进式蒸馏将生成步骤压缩至八步，并通过判别器防止输出模糊；DiffusionNFT强化学习针对具体任务打磨质量，例如为T2RGBA设置透明度、语义相似度与语言模型评分三重标准，为I2L设计图层还原精度与感知相似度组合评分。这些设计确保模型在效率与效果间取得平衡。
论文中一个值得关注的细节是团队对失败尝试的坦诚记录。例如，分布匹配蒸馏方案虽能提速，却导致透明度错误与颜色失真，最终被弃用。这种开放态度为后续研究提供了宝贵参考，也凸显了技术突破背后的试错过程。
