RevealLayer：通过遮挡感知图像分解解开隐藏层和可见层

最近基于扩散的方法在图像层分解方面取得了实质性进展。然而，由于遮挡完成、稳健的层解缠结和精确的前景边界方面的困难，准确分解复杂的自然图像仍然具有挑战性。此外，高质量多层自然图像数据集的稀缺限制了进步。为了应对这些挑战，我们提出了 RevealLayer，这是一种基于扩散的框架，可将 RGB 图像分解为多个 RGBA 层，从而实现精确的层分离并可靠地恢复自然图像中被遮挡的内容。 RevealLayer 包含三个关键组件：（1）区域感知注意力模块，用于分离隐藏层和可见层； (2) 遮挡引导适配器，利用上下文信息来增强重叠区域； (3) 复合损失，以强化清晰的 alpha 边界并抑制残留伪影。为了支持训练和评估，我们引入了RevealLayer-100K，这是一种通过自动化算法和人工标注协作构建的高质量多层自然图像，并进一步建立了RevealLayerBench，用于在一般自然场景中对层分解进行基准测试。大量实验表明 RevealLayer 在层分解方面始终优于现有方法。