应用体验
上传图片后自动识别可拆分图层，可根据需要调整图层画框，图层分解后在右侧查看结果。
图层展示
应用场景
重塑数字内容创作、编辑交互新方式
营销和创意
创意团队可以快速修改视觉效果，前景、背景和文本区域独立更新，无需重新设计整张图像。
商业视觉设计
电商团队可将产品图像分解为多个层次，用于替换背景、调整布局或复用到不同场景和市场。
创意AI内容编辑
对 AI 生成的固化图像进行图层拆解，解决元素粘连和局部难修改问题，让创作可以迭代精修。
视频和动画制作
从视频和动画帧中提取并操作单个元素，实现素材提纯与画面优化，降低后期剪辑合成门槛。
模型特点
从生成结果到生成结构，让 AI 真正理解图像图层
语义图层分离
AI 驱动的语义理解自动识别图像内容，智能分离主体、背景及元素，让每个图层具有明确语义。
智能内容补全
基于扩散模型的智能补全技术，在分离前景后自动填充被遮挡背景，保证图层独立使用时自然完整。
自定义拆分图层
用户可以自行增加和删除画框，模型将每个画框拆分为独立图层，实现指哪拆哪的精准编辑。
RGBA透明输出
每个分离图层以 RGBA 格式输出，包含完整 Alpha 通道，叠加和独立使用时保持自然边缘过渡。
技术亮点
提升复杂场景下的图层分离与遮挡补全能力
遮挡感知图层分解框架
RevealLayer 提出面向真实自然场景的遮挡感知图层分解框架，通过统一建模前景分离、背景恢复与遮挡补全，将单张 RGB 图像直接拆解为多个可独立编辑的 RGBA 图层，实现从“生成结果”到“结构化可编辑表示”的跨越。
区域感知与遮挡增强机制
针对复杂场景中图层混叠与遮挡恢复困难的问题，RevealLayer 引入 Region-Aware Attention 与 Occlusion-Guided Adapter，使不同图层能够聚焦于各自区域，并利用上下文信息推理被遮挡内容，显著提升图层分离与遮挡补全质量。
BBox驱动的可控图层分解
相比依赖精细 Mask 标注的方法，RevealLayer 仅需简单目标框即可实现可控分解与编辑。用户能够灵活指定目标区域，模型自动完成前景提取、背景恢复与遮挡补全，在保证交互效率的同时提升实际应用价值。
自然场景多图层数据集
RevealLayer 构建并开源了首个高质量、大规模自然场景多图层数据集 RevealLayer-100K。数据覆盖复杂遮挡、透明物体、阴影与反射等真实场景，为通用图层分解任务提供了重要的数据基础和统一评测标准。
模型效果
图层分解可控性
在复杂多目标布局下评估背景恢复、前景分离和图层可编辑性。
综合生成与恢复性能
覆盖背景重建、目标移除与前景 Matting 等核心图层任务。