Editing Images into Reusable Layers via Compositional Edit-Prior Distillation
Wen Xue, Yong Liu, Xueheng Li, Si Wu, Yong Xu, Yipeng Sun, Yan Li, Simiu Gu
cs.CV
2026-10-17
LayerEditor把指令改图和RGBA图层收成一次采样，底模是FireRed-Image-Edit-1.1，支持2到10层。ScaleEdit上成图SSIM为0.8925，按图层叠回后仍有0.8839，相对下降约1%，对照的Seedream先改后拆下降11.6%。
指令式改图给出的是压平的图。文字、物体和背景焊在同一张像素里，改一行字或挪一件商品，通常得整张重生成，无关区域和边缘一起受牵连。
Qwen-Image-Layered这类分解，以及Agent Banana那种先改再拆，和编辑分开优化。编辑模型只管成图像不像，不管层怎么切。分解模型再去猜结构，缺块、重复、透明度出错都很常见。画面能看，图层不好复用。
LayerEditor一次产出直接成图D和从后往前的N张RGBA层（颜色加透明度），N在2到10。各层用alpha-over叠到白底，不透明处盖住下层，得到重组图C。输入是原图、指令和N，指令里可以指定每一层的内容。
底模FireRed-Image-Edit-1.1的编码器与RGB解码器冻结，多模态扩散Transformer用rank 256的LoRA适配。In-Context RGB-Alpha Token Modeling把成图、各层RGB、各层Alpha放进同一条序列一起去噪，注意力同时看最终画面和每一层。旋转位置多一个槽位s：原图为-1，成图为0，第i层的RGB与Alpha为2i+1、2i+2，避免同一坐标上的不同层混在一起。
Alpha解码器由RGB解码器初始化，单独训练后冻结，sigmoid输出0到1的连续不透明度，颜色解码保持原权重。三通道平均代替它时，RGBA的L1从0.0350升到0.0578，分层分从6.83降到5.67。
分层微调本身会伤编辑，文字变脏、形体走样、不该动的区域被改。Compositional Edit-Prior Distillation（C-EPD）把冻结的原模型当作老师，沿学生的去噪轨迹抽取中间状态做on-policy监督：老师看的是学生真会走到的噪声状态，不是老师自己另采样的轨迹。老师只看学生当前的成图潜变量、原图和指令，预测编辑速度。学生的成图速度向这个目标靠。各层先还原干净潜变量，再解码、在白底上从后往前合成，重组图也向老师的成图靠，梯度由此回到每一层的颜色和透明度。完全被遮住的像素仍由flow matching约束。flow matching让网络预测速度场，把噪声推向干净样本。
前两个epoch只做flow matching，之后每5次更新加入C-EPD，权重升至0.1。推理30步，不再访问老师。图像维持长宽比，预算1024×1024。
LayerEditor-100K共10万对，文本编辑48329、物体编辑36858、海报级外观编辑14813，每对带能叠回目标的有序RGBA。Crello、PrismLayersPro保留原生分层。ScaleEdit的压平对经过规划、分解、修补和过滤补出目标层。Crello-Testset 2994条，ScaleEdit-Testset 1000条，文档与训练不重叠。
评测以重组图C为主。直接成图D只用来看编辑有没有在出层时丢掉。
| 测试集 | 方法 | 直接SSIM | 重组SSIM | 重组FID | Alpha IoU |
| ScaleEdit | LayerEditor | 0.8925 | 0.8839 | 39.48 | 0.6802 |
| ScaleEdit | Seedream5-Pro先改后拆 | 0.8933 | 0.7901 | 70.69 | 0.6327 |
| ScaleEdit | Seedream5-Pro一次调用 | 无 | 0.8365 | 59.62 | 0.6583 |
| Crello | LayerEditor | 0.8530 | 0.8351 | 33.86 | 0.6074 |
| Crello | Seedream5-Pro一次调用 | 无 | 0.7902 | 55.33 | 0.5139 |
| Crello | FireRed加Qwen-Image-Layered | 0.6491 | 0.5584 | 115.99 | 0.2208 |
ScaleEdit上，Seedream先改后拆的SSIM从0.8933降到0.7901，相对少11.6%。LayerEditor从0.8925降到0.8839，相对少1.0%。
Crello上，对照Seedream一次调用，重组SSIM从0.7902升到0.8351，相对高5.7%，重组FID从55.33降到33.86，相对低38.8%。Gemini-3.1-Pro五项评分平均6.00，Seedream一次调用为4.50。分层一项6.83对5.22。同一数据上做编辑加分层监督的Qwen-Image-Layered，重组SSIM为0.7285。
把同一张编辑结果重组成2到10层，LayerEditor的Alpha IoU为0.6196，语义分组6.88，Seedream一次调用为0.5703和5.91。更换指令后，重组SSIM 0.8765，高于Seedream一次调用的0.7914，Alpha IoU 0.5823，RGBA的L1为0.0344。
只做分解、不改图、也不为分解微调，1171张留出的Crello图上，重组SSIM 0.8761，高于Qwen-Image-Layered的0.7963。Alpha IoU 0.6343，层语义分6.39。
去掉C-EPD后，编辑一致性从6.14降到4.67，分层从6.83降到5.01。只保留速度对齐或只保留重组对齐，一致性略高于完全不蒸馏，画面质量、分层和L1都变差。两项同时使用，四个指标一起改善。
海报和电商主图的修改经常只涉及一层。压平模型给不出可分离的字和商品，先编辑再分解又会损失已经做对的改动。LayerEditor把层数和层内容写进指令，一次采样同时交付成图与图层。已有FireRed时，要加的是LoRA和一个Alpha解码器。
同一权重可以做图像到图层的分解，不必再为分解单独微调。编辑器不更新的级联，Crello直接SSIM停在0.6491。用同一批标注做监督微调，重组SSIM到0.7285，仍低于0.8351。
图层栈能把这次编辑叠回去。拖动单层之后是否仍然干净，实验没有测。
训练和评测最多10层。细结构、复杂透明和半透明边界在挪动或再合成时仍会出现伪影。文字保持光栅，不能当作字体或矢量去改字号。现有指标量的是给定版式上的隔离、透明度和原位重组，没有系统检验挪层之后的重建。编辑先验只在自建集上检查，没有独立的通用编辑基准。自动标注可能有错。打分的是单一的Gemini-3.1-Pro，也没有和人工判断核对。
ScaleEdit的层标注候选来自Qwen-Image-Layered与Seedream5-Pro，和对照方法同源。Crello测试来自原生图层，LayerEditor同样领先，ScaleEdit上的层指标仍可能偏向这套管线的切法。与FireRed级联的对比，同时混进了是否在这10万对上训练。内容条件评测提供了有序层描述，等于给了一份图层计划。RevealLayer使用参考框。Seedream有5张Crello图因接口拒绝没有结果，指标基于其余2989张。单样本耗时约41.5秒对约250秒，硬件未对齐，不能当作速度结论。