Does Synthetic Layered Design Data Benefit Layered Design Decomposition?

Resumen Técnico: Datos de Diseño en Capas Sintéticas para la Descomposición de Diseño en Capas

Enunciado del Problema
Los avances recientes en la generación de imágenes han permitido la producción de imágenes de alta calidad, sin embargo, estos resultados son inherentemente imágenes rasterizadas aplanadas donde los elementos del primer plano, los fondos y el texto están entrelazados. Esta brecha de "última milla" obstaculiza la edición flexible posterior a la generación, ya que modificar componentes específicos a menudo requiere esfuerzo manual o una edición generativa inestable que no logra preservar la geometría y la semántica. Si bien la descomposición de diseño gráfico busca recuperar capas RGBA editables a partir de imágenes rasterizadas, los enfoques existentes enfrentan desafíos de escalabilidad. Los métodos actuales dependen de activos en capas propietarios escasos (por ejemplo, Crello) o de conjuntos de datos parcialmente sintéticos (por ejemplo, PrismLayersPro) con tamaños de muestra limitados (típicamente ~20K). Estos conjuntos de datos son órdenes de magnitud más pequeños que los utilizados en el modelado generativo moderno, contradiciendo las leyes de escalado establecidas y limitando la robustez y la generalización del modelo.

Metodología
Los autores proponen SynLayers, un conjunto de datos completamente sintético diseñado para entrenar modelos efectivos de descomposición de capas sin depender de activos en capas del mundo real. La metodología se basa en CLD (Descomposición de Capas Controlable), un marco de vanguardia que utiliza una tubería de recorte y luego eliminación de ruido con guía de cuadros delimitadores.

1. Construcción de Datos Sintéticos (SynLayers):

   • Composición de Múltiples Fuentes: La tubería ensambla diversos elementos de múltiples fuentes: diseños base de PrismLayersPro, capas de primer plano RGB/RGBA y capas de texto.
   • Aumento: Se introducen elementos adicionales de manera probabilística, incluyendo recortes de imágenes de LAION, capas de texto renderizadas y objetos de primer plano de AlphaVAE.
   • Organización Espacial: Un algoritmo de baja superposición coloca las capas muestreando posiciones candidatas y seleccionando la que minimiza la superposición normalizada con los elementos existentes, asegurando coherencia espacial y diversidad de diseño.
   • Construcción de Captiones: Las captiones iniciales se generan recorriendo una cuadrícula espacial de 3x3 y describiendo el contenido de las capas basándose en los metadatos de origen. Estas descripciones crudas se refinan mediante un Modelo Visión-Lenguaje (VLM) para producir captiones coherentes y fluidas de la imagen completa.

2. Tubería de Inferencia Automatizada:

   • Para eliminar la dependencia de anotaciones manuales durante la inferencia, los autores entrenan un VLM (Qwen3-VL-8B-Instruct ajustado finamente) para predecir conjuntamente la caption de la imagen completa y los cuadros delimitadores de las capas a partir de una única imagen rasterizada.
   • Este VLM actúa como un detector aguas arriba, proporcionando las entradas estructuradas (captiones y cuadros) requeridas por el modelo de descomposición CLD aguas abajo.

Contribuciones Clave

• Conjunto de Datos SynLayers: Un conjunto de datos completamente sintético y escalable que comprende hasta 500K muestras con capas RGBA de verdad fundamental, cuadros delimitadores y captiones estructuradas.
• Investigación Centrada en Datos: Un estudio exhaustivo que demuestra que los datos puramente sintéticos pueden servir como una alternativa viable y escalable a los conjuntos de datos no sintéticos o parcialmente sintéticos para la descomposición de diseño gráfico.
• Tubería Automatizada: Un sistema de extremo a extremo donde un VLM genera automáticamente las entradas de condicionamiento necesarias (captiones y cuadros) para el modelo de descomposición, eliminando la necesidad de anotación manual en el momento de la inferencia.
• Control de Distribución Equilibrado: La tubería sintética permite un control preciso sobre las distribuciones de la cantidad de capas, abordando el desequilibrio de clases severo (por ejemplo, escasez de muestras con alta cantidad de capas) encontrado en conjuntos de datos del mundo real.

Resultados Experimentales
El estudio evalúa el modelo entrenado con SynLayers frente a líneas base entrenadas en PrismLayersPro y el modelo Qwen-Image-Layered.

• Rendimiento vs. Datos Reales: Con un presupuesto de entrenamiento equivalente (18K muestras), el modelo entrenado con SynLayers supera a la línea base de PrismLayersPro en métricas clave, incluyendo PSNR de Capa (+1.01) y PSNR de Composición (+0.83).
• Leyes de Escalado: El rendimiento mejora con la escala de datos pero muestra rendimientos decrecientes. Los resultados óptimos para FID de Capa (5.97) y FID de Composición (10.35) se observan en escalas medias (20K–30K), estabilizándose el rendimiento más allá de 50K muestras.
• Robustez ante la Cantidad de Capas: Los modelos entrenados con SynLayers demuestran una robustez superior en cantidades de capas variables (de 1 a 35+). En escenarios desafiantes de alta cantidad de capas (13–35 capas), el IoU de Máscara mejoró de 0.901 a 0.910, y el PSNR de Composición aumentó de 29.48 a 30.25 en comparación con la línea base.
• Generalización: En un conjunto de pruebas del mundo real fuera de distribución (147 imágenes), el modelo SynLayers logró una mayor fidelidad de composición (PSNR 29.35, FID 35.40) en comparación con la línea base de PrismLayersPro (PSNR 28.74, FID 44.23) y superó significativamente a Qwen-Image-Layered.
• Mejoras Cualitativas: Las comparaciones visuales muestran tipografía más nítida, límites de objetos más limpios y menos artefactos visuales (por ejemplo, sangrado de color) en las salidas entrenadas con SynLayers.

Significado y Afirmaciones
El artículo afirma que los datos sintéticos de diseño en capas proporcionan una base práctica y escalable para la descomposición de diseño gráfico. Al demostrar que los datos puramente sintéticos pueden igualar o superar el rendimiento de los modelos entrenados con activos del mundo real escasos, el trabajo aborda el cuello de botella de la disponibilidad de datos en este dominio. Los autores postulan que este enfoque permite la construcción de sistemas de edición de diseño gráfico más confiables y controlables, cerrando la brecha entre la generación de imágenes y los resultados editables por el usuario. El estudio fomenta la adopción más amplia de datos sintéticos como sustituto de activos propietarios, particularmente para tareas que requieren un control fino sobre las estructuras en capas.