OcclusionFormer：安排 Z 顺序以生成基于布局的图像

最近的布局到图像模型在空间可控性方面取得了显着的进步。然而，他们仍然在与对象间遮挡作斗争。当边界框重叠时，大多数现有方法缺乏明确的遮挡信息，这使得交叉区域的生成本质上是模糊的，并阻碍了复杂遮挡关系的确定。因此，它们经常在重叠区域产生纠缠的纹理或物理上不一致的分层。为了解决这个问题，我们首先构建 SA-Z，这是一个富含显式遮挡排序和像素级注释的大型数据集。在我们提出的数据集的基础上，我们引入了 OcclusionFormer，这是一种新颖的遮挡感知扩散 Transformer 框架，它通过解耦实例并通过体积渲染合成它们来显式建模 Z 顺序优先级。此外，为了确保细粒度的空间精度，我们引入了查询对齐损失，它显式地监督各个实例并增强语义一致性。所提出的方法有效地减少了重叠区域的模糊性，强制执行正确的遮挡依赖性，并保持结构完整性，从而在不同场景中获得显着的准确性增益。