基于循环一致性调优的分层图像分解

在真实图像中 disentangle 视觉层面是视觉与图形学中持续挑战的问题，因为这些层面常涉及非线性且全球耦合的相互作用，包括阴影、反射和视角畸变。本文提出了一种基于大型扩散基础模型进行分层分离的上下文图像分解框架。我们聚焦于具有挑战性的 LOGO-对象分解任务，即在忠实保留两个层面信息的前提下，将 LOGO 从其所在表面中分离出来。该方法通过轻量级 LoRA 适配对预训练扩散模型进行微调，引入循环一致性调优策略，联合训练分解与合成模型，确保分解后图像与重组后图像之间的重建一致性。这种双向监督在层面 exhibits 复杂相互作用时显著提升了鲁棒性。此外，我们引入渐进式自我改进过程，不断迭代地向训练集中添加高质量模型生成的示例以细化性能。广泛的实验表明，我们的方法实现了准确且连贯的分解，也能有效泛化到其他分解类型，表明其作为统一框架处理分层图像分解具有潜力。