広告バナーの見出しを一行だけ変えてほしいと頼んだのに、触らないでと言ったはずの背景や製品写真まで微妙に変わって返ってくる。最近の画像編集AIでよく起きることだ。LayerEditorは、この不便さを「編集」と「レイヤー分解」を一つのモデルに統合して解く。画像を指示どおりに直すと同時に、あとから各要素を個別に手直しできるRGBAレイヤー(色を担うRGB層と、透明度を担うAlpha層)まで一度に出力する。まずは、なぜこれが必要なのかから見ていこう。
画像編集のゴールは単純だ。指示した領域だけを正確に変え、それ以外は触らないこと。問題は、最近の編集モデルが出す成果物の形にある。マルチモーダル拡散トランスフォーマー(テキスト指示と画像を一列につなげ、ノイズから一緒に描き出す生成モデル、以下MMDiT)は、文字・物体・背景がすべて一枚に溶け込んだ、平らな画像を一枚だけ出力する。
この形の不便さは、実務ですぐに表れる。ECの商品詳細ページや広告デザインのように、要素を一つひとつ細かく触り、ユーザーから渡された素材をはめ込む作業では特にそうだ。「このコピーだけ赤く」「このロゴだけ少し上に」といった修正が入るたびに、画像全体を再生成しなければならない。その過程で処理コストが積み上がり、触るべきでない領域が予期せず変わったり、境界にartifactが生じたりする。一度焼いたパンからレーズンだけ抜いてほしいという注文に、パンを丸ごと焼き直すようなものだ。
それなら、平らな結果をあとからレイヤーに分ければいいのでは、と思える。実際、画像分解(decomposition)の研究はその道を選んだ。だが落とし穴がある。編集モデルはそれらしい結果を作ることだけに集中してレイヤー構造を気にかけず、分解モデルは編集が終わったあとでレイヤーを復元するため、要求された編集内容と目標とするレイヤー構造を同時に満たせない。だから、見た目は問題ない編集でも、レイヤーに分解してみると要素が抜けたり誤ってまとめられたりして、再利用が難しい。
従来の試みは大きく二つに分かれていた。一方はQwen-Image・FireRed-Image-Editのような編集モデル系で、指示追従も編集の忠実度も高いが、結果が平らだ。もう一方はLayerDiff・PSDiffusion・LaDe・UniWorld-Designのようなレイヤー生成・分解系と、Qwen-Image-Layered・LiWiのような分解モデルで、テキストや空間条件からレイヤーを作ったり、完成した画像から要素を復元したりする。だが「平らな原本を編集しながら、その編集済みレイヤースタックまで一緒に生成する」という課題は、どちらも正面から扱わなかった、というのがこの論文の立ち位置だ。Agent Banana(Ye et al., 2026b)のように分解と編集をつなぎ合わせたワークフローもあるが、工程が分かれている限界は同じだ。
LayerEditorは、編集とレイヤー生成を最初から一つの問題として束ねる。
一つ目の仕掛けの原理は、「全体像と各レイヤーを一つの場で一緒に描く」ことだ。編集済みキャンバスと、順序づけられたレイヤー群を一つのトークン列に並べて同時に生成する。こうすると、各出力が互いの情報を参照しながら描かれるので、編集結果とレイヤースタックがバラバラにならない。
レイヤー数も固定ではない。ユーザーが「6枚のレイヤーで、各レイヤーにこういう内容を入れてほしい」と言えば、その数だけのRGB-Alpha出力ペアが作られる。論文のFigure 5は、6枚のレイヤーにテキスト行と鳥を分けて配置した例を示している。透明度(Alpha)には別途手をかける。髪の毛のような細い構造や半透明の境界を活かすには、色とは異なる復元が必要なので、Alpha専用のデコーダを別に置く。
技術ボックス — トークン構成 - すべての出力フィールドはガウシアンノイズから始まり、一つの列の中で一緒にデノイジングされる。編集キャンバスとレイヤースタックの間の依存関係は、共有アテンション(shared attention)が捉える。 - 同じキャンバス座標を共有する複数のフィールドを区別するために、レイヤー認識回転座標(layer-aware rotary coordinates)を使う。原本画像トークン・編集キャンバス・各レイヤーのRGB/Alphaに異なるスロット座標を与え、フィールドのアイデンティティと積み重なる順序を持たせつつ、空間的な対応はそのまま保つ。 - Alpha専用デコーダは、事前学習済みのRGBデコーダから初期化したうえで別に学習し、色の復元能力は保ちながら透明度の復元だけを専門化する。
問題が一つある。事前学習済みの編集モデルを、レイヤーまで出力するよう単に追加学習(SFT)させると、元の編集の腕が鈍る。論文は、この仕掛けを外したときの性能変化を見る実験(ablation、w/o C-EPD)で、文字が崩れ、構造が歪み、周辺領域が意図せず変わると報告している。
C-EPD(Compositional Edit-Prior Distillation)は、この劣化を防ぐ蒸留(大きな原本モデルの能力を別のモデルへ移し替える学習)戦略だ。原本の編集モデルをそのまま凍結して「教師」に据え、レイヤーまで学ぶ「生徒」が実際に通る中間状態で教師に問う。生徒が歩く道の上で、その場で助言する家庭教師のようなものだ。
核心は、教師が二つを合わせて見る点にある。一つは生徒が直接描いた編集キャンバス(Direct)、もう一つは生徒が予測したレイヤー群を実際に合成して作った画像(Composite)だ。合成結果まで教師が指導してこそ、レイヤーを合成する過程で生じる誤差も学習に反映される。平らなキャンバスだけを合わせても、「見た目は問題ないが、レイヤーに分解するとずれる」問題は捉えられないからだ。
同じ軌跡の上で教師に問う方式そのものはDiffusionOPDに倣っている。ただし目的が違う。progressive distillationやconsistency modelはサンプリング段階を減らして速度を上げるためのものだが、ここでは単一の画像出力を構造化されたレイヤー出力へ広げながら、編集能力を守るために蒸留を使う。
技術ボックス — C-EPDの学習 - 生徒は、現在のノイズ状態と予測速度(predicted velocity)から各出力フィールドの局所的なクリーン潜在(local clean latent)を推定し、凍結したデコーダで復元したうえで、白背景の上に後ろから前へ(back-to-front)標準的なsource-over方式で合成する。 - 教師は、同じDirect潜在と原本画像、編集指示を受け取って目標を予測する。 - 学習目標 = Direct速度を教師に合わせる項 + デコードした合成画像を教師の目標に合わせる項。二つ目の項の勾配は、生徒側のデコードとアルファ合成を経て、レイヤー予測の枝まで伝播する。 - 全体は、事前学習済みのMMDiTをLoRA(rank-256、モデル全体ではなく小さな重みだけを載せて適応させる方式)で学習する。flow-matching(ノイズから目標へ向かう流れを合わせる学習)でウォームアップしたあと、flow matchingを保ったままC-EPD教師指導を加えた結合目的関数で学習する。
学習・評価のために、著者らはLayerEditor-100Kデータセットを自作した。Crello、PrismLayersPro、ScaleEditから取ってきた10万個の編集ペアで、各事例は原本画像・編集指示・編集目標・順序づけられた全キャンバスRGBAスタックを含む。CrelloとPrismLayersProのネイティブデザインは元のレイヤー構造を保って編集ペアを構成し(Route A)、平らなScaleEditペアは計画・分解・精製・品質フィルタリングを経て目標レイヤーを得る(Route B)。構成はテキスト編集48,329件、物体編集36,858件、ポスター水準の見た目編集14,813件だ。テキスト作業は移動・再着色・置換・翻訳を、物体作業は追加・除去・移動・再着色・置換を扱う。
評価ベンチマークは二つ。ネイティブデザインから抽出したCrello-Testset(2,994件)、平らな編集ペアから目標レイヤーを復元したScaleEdit-Testset(1,000件)。どちらも学習データと、原本ドキュメントや派生変形まで厳密に分離した。
指標が何を測るのかを押さえておこう。著者らはレイヤー編集の性能を主に再合成画像(Composite)で評価する。要求した編集が、レイヤーを合成し直しても保たれるべきだ、という論理だ。Direct(直接生成したキャンバス)とCompositeのSSIM(構造がどれだけ似ているか)・FID(生成結果の分布が実際にどれだけ近いか)で編集目標との類似度を見るが、Directは補助的な診断用だ。レイヤー水準では、RGBA L1(参照レイヤーとのピクセル値の差)とAlpha IoU(参照レイヤーの透明度領域とどれだけ重なるか)で一致度を見る。さらに、VLMが1~10点で採点する5次元ルーブリック(編集の一貫性、視覚品質、レイヤー分割、レイヤー合成、Alpha精度)を加える。
比較対象は編集・分解の両方を網羅する。ByteDanceのSeedream5-Proを公式APIで二つの設定(編集のあと分解をつなぐSeq.、一回の呼び出しで両方を要求するJoint)で回し、FireRed-Image-Edit-1.1(FR)にQwen-Image-Layered(QIL)系をつないだカスケード、QIL-Decomp-FT、QIL-Edit-SFT、RevealLayer、純分解用のLayerDまで含める。LayerEditor自身はFireRed-Image-Edit-1.1から初期化されている。
いちばん説明力の高い問いから見よう。編集した絵をレイヤーに分解して、もう一度合成すると、正解に対して品質がどれだけ保たれるか? 直接生成したキャンバスと再合成した画像が、それぞれ正解にどれだけ近いかを比べ、レイヤーを経ることで生じる損失を読むことが、この論文が狙った効果の核心だ。
ScaleEdit-TestsetでSeedream5-Pro(Seq.)はDirect SSIM 0.8933、Composite SSIM 0.7901で、再合成出力の正解に対するSSIMが直接出力より約11.6%低い。編集はうまくできたのに、レイヤーに分解して合成し直す過程で正解から離れてしまう、という意味だ。一方でLayerEditorは、直接出力0.8925、再合成出力0.8839で、再合成出力の正解に対するSSIMが直接出力より約1.0%低いにとどまる。レイヤーに分解して合成し直しても正解に対する品質損失が小さい、ということであり、編集とレイヤー生成を一つの問題として束ねたときに得ようとした結果が、この数値だ。
残りの結果は以下の表に圧縮する。各グループが答える問いは表のあとに残す。
| グループ | 指標(ベンチマーク) | LayerEditor | 比較基準 |
|---|---|---|---|
| 編集品質 | Composite SSIM (Crello) | 0.8351 | Seedream5-Pro(Joint)比 +5.7% |
| Composite FID (Crello) | 33.86 | Seedream5-Pro(Joint)比 −38.8% | |
| Composite SSIM (ScaleEdit) | 0.8839 | Seedream5-Pro(Joint) 0.8365 | |
| VLMルーブリック5次元平均 (Crello) | 6.00 | Seedream5-Pro(Joint) 4.50 | |
| レイヤー品質 | Alpha IoU (Crello) | 0.6074 | — |
| Alpha IoU (ScaleEdit) | 0.6802 | Seedream5-Pro(Joint) 0.6583 | |
| 枚数制御 | Alpha IoU (Table 2, 3,994件) | 0.6196 | Seedream5-Pro(Joint) +0.0493 |
| 意味的グルーピング | 6.88 | Seedream5-Pro(Joint) +0.97 | |
| 分解転移 (I2L) | Composite SSIM | 0.8761 | QIL 0.7963 |
| Alpha IoU | 0.6343 | — | |
| レイヤー意味スコア | 6.39 | QIL・QIL-Decomp-FTを上回る |
編集品質が答える問いは「レイヤーをつける代わりに、編集そのものが悪化していないか」だ。ルーブリック平均6.00対4.50のうち、特にレイヤー分割スコアはSeedream5-Pro(Joint)より1.61点、レイヤー合成スコアはFR+QIL-Decomp-FTより1.29点高い。枚数制御は「同じ編集を、ユーザーが望むレイヤーの粒度で組み直せるか」を見る。このときサンプルあたりの観測レイテンシは41.5秒で表の中で最も低かったが、この値の読み方は下の限界と合わせて読むべきだ。分解転移(I2L)は「編集用に学習したモデルが、純分解にも使えるか」を問う。LayerEditorはI2L専用のファインチューニングなしに、原本Crelloテスト分割から作ったheld-out 1,171枚のベンチマークでComposite SSIM 0.8761を記録し、QILの0.7963を上回った。編集とレイヤー生成を一つの列で一緒に学習した構造が、分解能力まで身につけた、という兆候だ。
この記事の中心の問いは一つだ。合成した絵が良くても、個々のレイヤー一枚一枚が本当に再利用しやすいのか?
論文が認めたことから。 C-EPDなしでレイヤーSFTだけを行うと、文字崩れ・構造歪み・周辺領域の変更が生じる。言い換えれば、このフレームワークの編集品質はC-EPDにかなり依存している。また、合成過程の局所的なクリーン潜在の推定が正確な値ではなく「近似(approximation)」だと明記している。
まだ確認されていないこと。 中心指標であるComposite SSIM/FIDは「目標画像にどれだけ似ているか」を測るのであって、特定のレイヤーを隠したり動かしたり拡大したりしても絵が使い物になるかは直接測っていない。つまり「合成結果が良い」と「レイヤー一枚一枚が再利用しやすい」は別の問いなのに、論文の評価は主に前者を見ている。あるレイヤーだけを隠したり移動・拡大したときに残りが崩れないかは、後続の検証が必要だ。
評価条件の手がかり。 レイヤー分割がデザイナーの意図どおりに分かれたかはルーブリックが補強するが、VLM採点なので採点モデルのバイアスが混じる余地がある。比較の相当数はSeedream5-Proの公式API結果だが、APIモデルは内部事情で結果が変わりうるため、完全に同一条件の比較ではない。実際、プラットフォーム制約でCrello-Testsetの5件で使える出力を出せず、該当指標はそのケースを除いて計算した。表のレイテンシ(Time)も「統制されたハードウェアなしに観測したサンプルあたりの遅延」なので、絶対的な速度比較として読んではいけない。
データセットの上限。 ScaleEdit側の目標レイヤーは計画・分解・精製・フィルタリングを経て作ったものなので、結局は別の分解過程が作った「正解」を学習・評価基準にしている。この正解そのものの品質が上限になる。
ONTLEがこの技術を実際の素材制作に取り入れるか判断するなら、ベンチマークの数値ではなく、次の三つを自社の素材で直接測る。
だからAI PMの役割は残る。変わるのは、判断の単位が「画像一枚」から「レイヤーの束」へ下りる、という点だ。
導入を検討するなら、以下を自分で実行せよ。
要素ごとの独立修正が可能になる。「割引率の数字だけ大きくしてほしい」という依頼には数字レイヤーだけ差し替えればよく、背景・製品写真レイヤーはそのまま残す。画像一枚を丸ごと再生成する場合と違って、触っていない領域が揺らぐ余地が減る。ただし、レイヤーが実際にそれほどきれいに分かれているかは、受け取ったあとに確認する必要がある。