LayerDiffusion 是一种使大规模预训练潜在扩散模型能够生成透明图像的方法。该方法允许生成单个透明图像或多个透明图层。它学习了一种 “潜在透明度”，将 Alpha 通道透明度编码到预训练潜在扩散模型的潜在空间中。通过将添加的透明度调节为潜在偏移，最小程度地改变预训练模型的原始潜在分布，以保留大型扩散模型的生产就绪质量。通过调整潜在空间对其进行微调，可以将任何潜在扩散模型转换为透明图像生成器。我们使用人机协作收集的 100 万个透明图像层对对模型进行训练。我们展示了潜在透明度可以应用于不同的开源图像生成器，或者适应于各种条件控制系统，实现前景 / 背景条件图层生成，联合图层生成，图层内容结构控制等应用。用户研究发现，在大多数情况下（97%），用户更喜欢我们本地生成的透明内容，而不是之前的临时解决方案，比如生成然后抠图。用户还报告说，我们生成的透明图像的质量与 Adobe Stock 等真实商业透明资产相媲美。