我们很高兴推出全新图像生成模型Qwen-lmage-Layered，新模型采用自研创新架构，可将图片“拆解”成多个图层。这种分层表示赋予了图像内在的可编辑性：每个图层都可以独立操作，而不会影响其他内容。同时，这种分层结构天然支持高保真的基本编辑操作，例如缩放、移动和重新着色。通过将不同元素物理地隔离到不同的图层中，我们的方法实现了高保真的编辑效果。
Qwen-lmage-Layered
技术报告:
https://arxiv.org/abs/2512.15603
Github:
https://github.com/QwenLM/Qwen-Image-Layered
ModelScope:
https://www.modelscope.cn/models/Qwen/Qwen-Image-Layered
Hugging Face:
https://huggingface.co/Qwen/Qwen-Image-Layered
Demo:
https://www.modelscope.cn/studios/Qwen/Qwen-Image-Layered
新思路：从像素预测到图片解耦
目前随着AI生成图片技术发展，AI图片编辑大致可分为两大方法：全局编辑和基于掩码的局部编辑。
全局编辑方法：通过对整张图像进行重新生成来实现整体性修改，然而，由于生成模型本身固有的随机性，这些方法无法确保未编辑区域的一致性。
掩码的局部编辑：通过将修改限制在指定的掩码范围内，从而有效保持全局一致性。尽管这种方法直观易懂，但它在处理遮挡和模糊边界时存在困难，难以精确界定实际的编辑区域。
我们提出了一种全新的思路：将图像分解为语义上解耦的RGBA图层，通过将图片自动“剥洋葱”，每一层都拥有独立的颜色（RGB）和透明度（Alpha）。每个图层均可独立修改而不会影响其他图层，从而从根本上确保各次编辑之间的一致性。
模型亮点
RGBA-VAE：传统的 VAE 只懂红绿蓝，我们研发了全新的 RGBA-VAE，让 RGB 图像和带透明度的 RGBA 图层在同一个潜空间内“对话” ，解决了图层之间分布不均、边界模糊的顽疾。
VLD-MMDiT：现实世界的图层数是不确定的。VLD-MMDiT 架构能够一次性处理 3 层、10 层甚至更多图层，且层与层之间通过注意力机制协同，不再需要低效的递归拆解 。
多阶段进化：模型并非生而知之。它经历了从“生成单图”到“生成多层”，最后进化到“拆解任意 RGB 图像”的循序渐进过程，将强大的生成基因转化成了精准的理解力 。
分层分解的应⽤
给定⼀张图像，Qwen-Image-Layered 可将其分解为若⼲个 RGBA 图层：
分解完成后，编辑操作仅作⽤于⽬标图层，将其与其他内容物理隔离，从根本上确保了编辑的⼀致性。
例如，我们可以对第⼀个图层重新着⾊，⽽保持其余内容不变：
我们也可以将第⼆个图层中的⼥孩替换为男孩:
在下⾯的例⼦中，我们将⽂字内容修改为 “Qwen-Image”
此外，分层结构天然⽀持各种基本操作。例如，我们可以⼲净地删除不需要的物体：
我们也可以轻松的对物体进⾏缩放⽽不引⼊形变和失真：
在完成图层分解后，我们还能在画布内⾃由移动物体：
灵活且可迭代的分解
Qwen-Image-Layered 并不限于固定的图层数量，模型⽀持可变数量的图层分解。例如，我们可以根据需要将同⼀张图像分解为 3 层或 8 层：
此外，分解过程还可以递归进⾏：任意⼀个图层本⾝都可以被进⼀步分解，从⽽实现⽆限层级的细化分解。
结语
Qwen-Image-Layered 将静态图⽚转化为结构化的、可灵活编辑的多层结构。通过将图像重新构想为可组合的图层，我们希望提供直观、精准且鲁棒的编辑能⼒。
