Qwen-Image-Layered 画笔控制的图层拆分模型

模型介绍

本模型是 DiffSynth-Studio/Qwen-Image-Layered-Control 的升级版本，我们在数据集 artplus/PrismLayersPro 上进行了进一步训练，为V1模型增加了画笔控制能力，现在可以通过文本和画笔控制想要拆分的图层内容。

使用技巧

• 本模型保留了模型 DiffSynth-Studio/Qwen-Image-Layered-Control 的文本控制能力，可以用 prompt 描述想要拆分的内容，用 negative_prompt 描述不想拆分的内容
• 红色画笔表示目标图层的区域，绿色画笔表示想要删除的图层的区域，两者叠加后是黄色。通过合理组合两种画笔，拆分出被遮挡的图层
• 模型擅长拆分海报图层，不擅长拆分摄影图像，尤其是存在光影的照片
• 推荐推理步数为 10 步，如果需要分割的图层被遮挡情况，请尝试提高步数
• 启用画笔控制时，可以将 cfg_scale 设置为 1，大幅提升推理速度

这个模型可以用来做什么？

样例1

这个模型可以快速把画面中的图层拆分出来，只需要用红色画笔涂几笔。

输入图	画笔	输出图

我们设计了另一个画笔工具，绿色画笔可以用于标注不希望输出的部分。

输入图	画笔	输出图

样例2

画笔涂抹的区域越接近实际的轮廓，图层拆分越准确。

输入图	画笔	输出图

两种画笔颜色叠加，红 + 绿 = 黄，可以移除遮挡物，得到中间被遮挡的图层。

输入图	画笔	输出图

样例3

这个模型不仅可以“把图层拆分出来”

输入图	画笔	输出图

也可以“把图层拆分出来”。

输入图	画笔	输出图

推理代码

安装 DiffSynth-Studio：

git clone https://github.com/modelscope/DiffSynth-Studio.git  
cd DiffSynth-Studio
pip install -e .

模型推理：

from diffsynth.pipelines.qwen_image import QwenImagePipeline, ModelConfig
from modelscope import dataset_snapshot_download
from PIL import Image
import torch

pipe = QwenImagePipeline.from_pretrained(
    torch_dtype=torch.bfloat16,
    device="cuda",
    model_configs=[
        ModelConfig(model_id="DiffSynth-Studio/Qwen-Image-Layered-Control", origin_file_pattern="transformer/diffusion_pytorch_model*.safetensors"),
        ModelConfig(model_id="Qwen/Qwen-Image", origin_file_pattern="text_encoder/model*.safetensors"),
        ModelConfig(model_id="Qwen/Qwen-Image-Layered", origin_file_pattern="vae/diffusion_pytorch_model.safetensors"),
    ],
    tokenizer_config=ModelConfig(model_id="Qwen/Qwen-Image", origin_file_pattern="tokenizer/"),
)
pipe.load_lora(pipe.dit, ModelConfig(model_id="DiffSynth-Studio/Qwen-Image-Layered-Control-V2", origin_file_pattern="model.safetensors"))

dataset_snapshot_download(
    dataset_id="DiffSynth-Studio/example_image_dataset",
    local_dir="./data/example_image_dataset",
    allow_file_pattern="layer_v2/*.png"
)

prompt = "Text 'APRIL'"
input_image = Image.open("data/example_image_dataset/layer_v2/image_1.png").convert("RGBA").resize((1024, 1024))
image = pipe(
    prompt, seed=0,
    height=1024, width=1024,
    layer_input_image=input_image, layer_num=0,
    num_inference_steps=10, cfg_scale=4,
)
image[0].save("image_prompt.png")

mask_image = Image.open("data/example_image_dataset/layer_v2/mask_2.png").convert("RGBA").resize((1024, 1024))
input_image = Image.open("data/example_image_dataset/layer_v2/image_2.png").convert("RGBA").resize((1024, 1024))
image = pipe(
    prompt, seed=0,
    height=1024, width=1024,
    layer_input_image=input_image, layer_num=0,
    context_image=mask_image,
    num_inference_steps=10, cfg_scale=1.0,
)
image[0].save("image_mask.png")