UniWorld設計框架改寫像素生成

圖像生成技術近年來快速演進，從早期的風格遷移到如今的高保真擴散模型，業界多數成果仍然建立在「像素合成」的基礎之上。北京大學研究團隊近期發表了一項名為 UniWorld-Design 的新框架，嘗試從根本上改變這項預設，將圖像生成從平面的像素輸出，轉向更具結構性的視覺組合流程，並以具備語意的 RGBA 圖層作為生成、理解與編輯的基本單元。這篇論文已於 8 月 4 日公開在 arXiv 平台上，並在隔日由共同作者李宗健正式提交。研究團隊集結了北京大學多位學者，包括李宗健、閻志遠、白辰旭、陳晨、孫浩翔、王少東、吳飛澤、袁勝海、林彬、劉哲源、牛宇偉與袁粒等人。

團隊提出的核心觀點相當直接：像素決定的是圖像如何被渲染，而圖層決定的則是圖像如何被創建、理解與編輯。這個觀點呼應了設計產業的真實工作方式。無論是平面設計師、UI 設計師或影像後製人員，在實務上幾乎都是透過圖層來操作視覺內容，而非直接面對原始像素。研究團隊認為，多模態生成模型也應該具備同樣的「圖層原生」設計空間，而非只是把生成結果當作一張完整的平面影像輸出。UniWorld-Design 正是基於這樣的想法所建構的框架。UniWorld-Design 由兩個核心模型組成，各自負責不同的任務。

第一個模型稱為 Text-to-RGBA，簡稱 T2RGBA，功能是直接從文字描述生成獨立的 RGBA 素材。RGBA 色彩模式除了紅、綠、藍三個通道之外，還包含了 Alpha 透明度通道，這讓生成的素材可以帶有透明背景，便於後續疊加與組合。這項能力使得模型生成的內容不只是單張圖片，而是可重複使用的視覺元件。第二個模型稱為 Image-to-Layer，簡稱 I2L，負責處理更複雜的分解任務。I2L 以一張完整的圖像作為輸入，同時接受一個全域指令以及多個針對個別圖層的提示，最終共同產生有序且完整的語意 RGBA 圖層。

換句話說，這個模型能夠把一張已經完成的圖像，拆解成多個具有獨立語意的圖層結構，而不是單純依照可見像素的邊界進行切割。I2L 的指令介面設計值得特別注意。它支援三種不同的分解模式，包括頂層分解、遞迴分解與目標提取。頂層分解指的是將圖像拆解為最上層的主要結構；遞迴分解則可以進一步對已經拆出的圖層再進行細部分解；目標提取則讓使用者可以針對特定物件進行抽取。這樣一來，圖層操作不再只是生成後的附屬功能，而是可以透過指令直接定址的編輯操作。這樣的能力讓圖層在移動或移除之後仍然保持可用。傳統的影像分割或去背技術，往往只能針對可見像素進行切分，一旦圖層被移動，原本被遮蓋的區域就會出現空洞或破損。

UniWorld-Design 的 I2L 模型由於學習的是完整的語意物件，而非僅是可見像素的 partition，因此即使圖層被單獨取出或移動，依然能保持結構上的完整性。在技術評估方面，研究團隊針對 I2L 使用了 Crello 基準進行測試。結果顯示，I2L 在每層 RGB L1 誤差上降低了 37%，相較於 Qwen-Image-Layered 有顯著的進步。同時，在 Alpha Soft IoU 指標上也取得了 34% 的相對改善。Alpha Soft IoU 是衡量透明度通道預測品質的重要指標，這項數據代表了 I2L 在圖層分離的精準度上具有明顯優勢。

至於 T2RGBA 模型，研究團隊則在文字生成 RGBA 素材的任務上進行了評估。T2RGBA 在 CLIP Score 指標上達到最高分，超越了現有的 LayerDiffuse 與 OmniAlpha 等方法。CLIP Score 用於衡量生成影像與文字描述之間的語意對齊程度，分數越高代表生成的內容越符合文字描述的要求，這也顯示 T2RGBA 在理解文字並轉化為視覺素材的能力上具備領先水準。從整體架構來看，UniWorld-Design 的意義不僅在於提升了生成品質，更重要的是重新定義了生成模型與視覺內容之間的關係。

傳統的像素生成模型把影像視為一個不可分割的整體，使用者若要編輯生成結果，往往需要仰賴外部工具進行後處理。UniWorld-Design 則把圖層作為模型內建的操作單元，讓生成、理解與編輯三個環節得以在同一個框架內完成。這項設計也為代理式編輯帶來了新的可能性。由於 I2L 的指令介面支援多層次的分解操作，未來的 AI 代理可以透過自然語言指令，直接對圖像進行結構性的修改。例如，使用者可以要求系統「把背景拆出來換成另一個場景」，或是「把前景的主體單獨提取並調整位置」，這些操作不再需要手動框選或複雜的遮罩處理。

研究團隊在論文摘要中強調，人類設計師在創作過程中，始終是透過圖層來建構與調整視覺內容，而不是直接操作像素。UniWorld-Design 的目標，就是讓多模態生成模型也能夠在同樣的設計空間中運作，從而縮短 AI 生成內容與專業設計工作流程之間的距離。這項研究已在學術社群中引起討論，論文發布後獲得了不少關注與正面評價。整體而言，UniWorld-Design 代表了圖像生成技術從「產生一張圖」朝向「產生一組可編輯的視覺結構」的重要轉向。

隨著生成式 AI 在設計、行銷、影視與遊戲產業的應用日益普及，具備圖層原生能力的生成框架，可望為專業創作者提供更貼近實際工作流程的工具，也為後續研究開啟了新的方向。