综合分层设计数据是否有利于分层设计分解？

图像生成领域的最新进展使得生成高质量图像变得容易。然而，这些输出本质上是扁平化的，将前景元素、背景和文本纠缠在固定的画布内。因此，灵活的后期编辑仍然具有挑战性，揭示了与实际可用性之间的明显最后一英里差距。现有方法要么依赖稀缺的专有分层资产，要么根据有限的结构先验构建部分合成数据。然而，这两种策略都面临可扩展性方面的根本挑战。在这项工作中，我们研究纯合成分层数据是否可以改进图形设计分解。我们假设，在图形设计中，有效的分解不需要像自然图像合成那样精确地建模层间依赖关系，因为设计元素通常被有意地排列为模块化和语义上可分离的组件。具体来说，我们基于 CLD 基线进行了以数据为中心的研究，CLD 基线是最先进的层分解框架。基于基线，我们构建自己的合成数据集 SynLayers，使用视觉语言模型生成文本监督，并使用 VLM 预测的边界框自动推理输入。我们的研究揭示了三个关键发现：（1）即使使用纯合成数据进行训练也可以优于不可扩展的替代方案，例如广泛使用的 PrismLayersPro 数据集，证明了其作为可扩展且有效的替代方案的可行性； (2) 随着训练数据规模的增加，性能持续提高，而增益在 50K 样本左右开始饱和； (3) 合成数据能够平衡控制层数分布，避免现实数据集中常见的层数不平衡。我们希望这项以数据为中心的研究能够鼓励更广泛地采用合成数据，作为分层设计编辑系统的实用基础。