OcclusionFormer：面向布局导向图像生成的Z序排列

最近的布局到图像模型在空间可控性方面取得了显著进展。然而，他们仍在处理inter-object遮挡时存在困难。当边界框重叠时，大多数现有方法缺乏显式的遮挡信息，导致交叉区域的生成本质上是模糊的，阻碍了复杂遮挡关系的确定。结果往往会产生纠缠的纹理或在重叠区域产生物理不一致的图层。为解决此问题，我们首先构建了包含显式遮挡顺序和像素级注释的大规模数据集SA-Z。基于我们提出的数据集，我们引入OcclusionFormer，一种新颖的感知注意力扩散Transformer框架，显式建模Z序优先级，通过解耦实例并采用体渲染合成来实现。此外，为确保细粒度的空间精度，我们引入了查询对齐loss，显式监督单个实例并增强语义一致性。我们的方法有效减少了重叠区域的模糊性，强制正确的遮挡依赖，同时保持结构完整性，在多样化场景中实现了显著的精度提升。