指代层分解
计算机视觉与模式识别
2026-02-24 v1
摘要
精确、对象感知的视觉内容控制对于高级图像编辑和构图生成至关重要。然而，大多数现有方法是整体性地作用于整个图像，这限制了对单个场景元素进行隔离和操作的能力。相比之下，分层表示将场景明确地分解为对象、环境上下文和视觉效果，提供了更直观且结构化的框架，用于解释和编辑视觉内容。为弥合这一差距并实现构图理解和可控编辑，我们提出了指代层分解（Referring Layer Decomposition, RLD）任务，该任务从单个 RGB 图像中预测完整的 RGBA 图层，条件受灵活用户提示的制约，如空间输入（例如点、框、掩码）、自然语言描述或其组合。其核心是 RefLade 数据集，包含 111 万张图像-图层-提示三元组，由可扩展的数据引擎生成，以及 10 万张人工精选的高保真图层。配合以感知为基础、以人类偏好为导向的自动评估协议，RefLade 将 RLD 确立为一个明确且可基准化的研究任务。基于此基础，我们提出了 RefLayer，即一个为提示条件图层分解而设计的简单基线，实现了高质量的视觉保真度和语义对齐。大量实验表明，我们的方法能够有效训练、可靠评估和高质量图像分解，同时表现出强大的零样本泛化能力。
引用
@article{arxiv.2602.19358,
title = {Referring Layer Decomposition},
author = {Fangyi Chen and Yaojie Shen and Lu Xu and Ye Yuan and Shu Zhang and Yulei Niu and Longyin Wen},
journal= {arXiv preprint arXiv:2602.19358},
year = {2026}
}
备注
ICLR 2026