Does Synthetic Layered Design Data Benefit Layered Design Decomposition?
合成图层设计数据是否有利于图层设计分解？
🧭 图形设计图层分解 · 合成数据增强
Hong Kong University of Science and Technology · WeBank
纯合成数据训练在图形图层分解任务上超越真实数据集，且可扩展至数万样本。
📌 工作参考价值
- 电商商品图分层编辑：可直接用纯合成数据训练图层分解模型，摆脱对难以获取的专有分层 PSD 文件的依赖，降低数据成本。
- 自动化标注流程：结合 VLM 自动预测图层边界框并生成文本描述，实现训练样本的自动化构造，提升迭代效率。
- 数据分布控制：合成数据可灵活调整图层数量分布，避免真实数据长尾问题，提升模型对不同复杂度设计的泛化能力。
- 训练规模参考：实验表明约 5 万张合成图像即可达到性能饱和，为实际部署时的数据预算提供直接参考。
动机：现有图像生成模型输出的扁平图像难以灵活编辑，图层分解是打通“最后一公里”编辑的关键。然而，训练数据依赖稀缺的专业分层资产（如 PSD 文件），可扩展性差。本文探索纯合成数据能否替代真实数据，驱动图层分解模型。
方法：基于 SOTA 图层分解框架 CLD，构建纯合成数据集 SynLayers，利用视觉语言模型（VLM）自动生成文本监督并预测物体边界框作为推理输入，全流程无需人工标注。
关键结果：
- 纯合成数据训练的模型在图形设计分解任务上，性能超越基于真实数据集 PrismLayersPro 的方案，证明合成数据的有效性和可扩展性。
- 性能随训练数据量增加而提升，约 5 万样本时趋于饱和，指明实用规模上限。
- 合成数据能平衡图层数量分布，克服真实数据中严重的图层计数长尾问题，提升模型对多图层设计的鲁棒性。