ViT一作盛赞：这其中国开源“PS模子”强过Nano Banana

梦瑶发自凹非寺量子位 | 公众号 QbitAI

太香了太香了，妥妥完爆ChatGPT和Nano Banana！

刚刚，ViT焦点作者、Meta超等智能团队成员Lucas Beyer连发三条帖子，怒赞通义千问不久前宣布的开源模子Qwen—Image—Layered。

在他看来，这才是图像天生的准确翻开方法～

他还顺便自补了一句：这个模子偏向自己着实也想做来着，只是太忙，一直没来得及下手……（笑）

真话实说，Qwen—Image—Layered模子确实纷歧般，由于它可以让我们真正实现ps级别的拆图自由。

也就是说现在图片元素也支持细腻化修改了：

连网友们看了模子效果后都不禁叹息：咋有种开源PhotoShop的感受，amazing啊～

以是，这套让Lucas Beyer重复点赞的模子究竟强在哪儿，咱一起来看！

图片也能像PS一样拆拆拆了

若是说Nano Banana手艺点在生图，那Qwen—Image—Layered模子则厉害在：《拆图》。

相信各人都有过类似的履历，我们平时用大模子生图时总会碰的到一个抓狂问题，那就是图片天生so easy，细节修改so抓狂�。。�

AI生出来的图片里，经�；嵊幸恍┬∠附诓惶轿�，但我们又没法只改局部，只能整张丢回模子重新天生，效果往往还不如上一版…

Qwen—Image—Layered模子的焦点能力，就是专治「一图定生死」这事儿的。

它能将一张通俗图片剖析成多个包括透明度信息的RGBA疏散图层，实现真正意义上的图片素材的可编辑性。

光说看法有点笼统，咱直接看例子～

在官计划例中，一张完整图片输入之后，模子会自动把画面拆成6个包括差别元素的图层，配景是配景，人物是人物，装饰是装饰，互不滋扰。

看到这儿各人是不是突然感受，这个很是适适用在海报制作等细节较多的图片上？？（雀实

可是Qwen—Image—Layered模子能做的还不止只是疏散图层这么简朴，我们还可以对图层举行二次编辑修改。

好比最基础的：改配景，不动主体。

只替换配景图层的颜色，一张橙色配景的海报，瞬间就能换成蓝色版本：

再好比，直接换主体。

坚持构图稳固，把原图里的长发女孩，换成短发女孩，险些看不出拼接修改痕迹：

再来看下面这个——文字编辑。

我们可以只修改图片中的局部文字，哪怕第一次天生的文字有幻觉问题也不怕了：

除了基本的替换编辑功效外，Qwen—Image—Layered模子还支持调解元素的巨细、删除不想要的元素等等。

例如像这样，我们可以删除掉画面中不想要的元素工具，只保存自己想留的画面元素：

又或者在不拉伸、不失真的条件下，轻松调解元素的巨细比例，着实有点像PS里的自由缩放功效：

值得注重的是，Qwen—Image—Layered模子分层不限于牢靠的图层数目，支持可变层剖析，例如我们可以凭证需要将图像剖析为3层或8层：

这个能力很是适合我们在差别的编辑需求场景下使用，可以凭证我们想局部编辑的元素数目多或少而定。

虽然，若是只是想改文字，差未几两三层就够了，若是修改需求较量多较量重大，多拆几层反而更好操作～

除了适才说的这些，模子还支持在已剖析的图层基础上做进一步剖析，进而实现无限剖析，听上去很像无限套娃…

像下面这位网友，用Qwen—Image—Layered把人物元素举行一次性分层处置惩罚，最后甚至可以一起拆到只剩下一个线稿层：

再来看这位网友，原自己物和配景完全糊在一起的一张图，被模子直接拆成了主体和配景两个自力元素：

简朴说就是：只要画面里不止一个元素，它就能拆、还能一直拆……

拆图的本事来自于扩散模子

有朋侪看到这儿该问了，小小模子背后能有这PS一样平常的能力，用的是啥神奇邪术？

不藏着掖着，Qwen—Image—Layered的焦点手艺，实质上是一套端到端的「扩散模子」。

它并不是用来天生图片的那种扩散模子，而是专门为「拆图片」这件事设计的——

模子直接输入一张完整的RGB照片，通过扩散历程，一步步展望出多个带透明度信息的RGBA图层。

这里有一个绕不开的条件是：

我们平时看到的图片着实只有RGB三个通道，但真正的图层编辑，离不开Alpha（透明度）通道。

为此，Qwen—Image—Layered专门设计了一套四通道的RGBA-VAE，把RGB输入和RGBA输出，统一压缩到统一个隐藏空间中：

详细来说，当输入是一张通俗RGB图片时，模子会自动把Alpha通道补成1（完全不透明），在初始化阶段还会智慧地复用预训练参数，阻止在透明度建模时蜕化。

这样一来，模子从一最先就「懂透明」，差别图层也就不会被混在一起。

并且在结构上模子也不是死板拆层，它的焦点Transformer—VLD-MMDiT会凭证图片重漂后，自动决议需要拆成几多层。

为了阻止前一层把后一层盖住的问题，模子还加了一套Layer3D RoPE（三维位置编码），简朴说就是给差别图层打上明确的层级标签，让模子在空间温顺序上都分得清晰～

还不止云云，在隐藏空间里中，模子能够被逐步「指导」去学会：哪些像素该属于哪一层、哪些区域需要保存透明度、哪些内容应该被疏散开来。

这样一来哪怕图层再多对模子来说也都是小case了～

并且在训练战略上模子也不是从零教的，而是基于Qwen-Image预训练天生模子逐步升级：

第一阶段让模子学会文本天生单RGBA图层，第二阶段让模子学会扩展到多图层合成，第三阶段让模子真正学会从图片反向拆解多图层。

每阶段几百K步训练，加上重修损失和感知损失，确保语义疏散清洁、不冗余。

这样一来利益很直接，以前要领（如LayerD）要递归抠远景再补配景，容易积累过失，或者用支解+修复，遮挡区补欠好。

Qwen—Image—Layered模子直接实现端到端天生完整RGBA层，阻止这些问题，尤其善于重大遮挡、半透明和文字。

相较于Nano Banana的“一次抽图定生死”，Qwen—Image—Layered的拆图能力能让Lucas Beyer这么喜欢，也就不希奇了…

现在模子已经开源，感兴趣的朋侪可以试试～

github开源地点：https://github.com/QwenLM/Qwen-Image-Layered

《555夜色亚洲精品网站》，《Q8X2R7L1T4J5M9B6W3》

k1体育麻将胡了

下载APP

所有

ViT一作盛赞：这其中国开源“PS模子”强过Nano Banana

热门视频