LayerDivider
Forvandl en flad illustration til en redigerbar lagdelt struktur
LayerDivider er et open source-billedbehandlingsprojekt, der adskiller en enkelt flad illustration i grund- og effektlag. Den analyserer pixel-farver, grupperer lignende områder, udjævner billedet og rekonstruerer resultatet som en redigerbar PSD.
Fra fladt kunstværk til redigerbar struktur
Hvad er LayerDivider?
En færdig illustration eksporteres ofte som en enkelt PNG eller JPG. Når den originale projektfil er tabt, bliver farver, skygger, højlys og effekter fladet ud til ét rasterbillede og bliver svære at redigere uafhængigt.
LayerDivider løser dette problem gennem farvebaseret billeddekomponering. Den grupperer pixels med lignende farver, forenkler lokale variationer, skaber et rekonstrueret grundlag og beregner effektlag ud fra forskellene mellem det rekonstruerede grundlag og det originale billede.
Den resulterende PSD giver et mere redigerbart udgangspunkt for omfarvning, justering af belysning, ændring af effekter og studiet af, hvordan en illustration kan være struktureret.
LayerDivider rekonstruerer en omtrentlig lagstruktur. Den gendanner ikke kunstnerens originale lag eller lagnavne.
Hvilke billedtyper fungerer bedst?
LayerDivider er mest effektiv, når et billede indeholder klare farveområder og en relativt struktureret illustrationsstil.
Anime-illustrationer
Kunstværker i anime-stil bruger ofte tydelige flade farver, skygger, højlys og streggrænser, der er velegnede til farvebaseret adskillelse.
Fladfarvet kunstværk
Illustrationer med begrænsede paletter og tydeligt adskilte farveområder producerer generelt renere klynger.
Karakterkunst
Karakterillustrationer kan opdeles i redigerbare farve- og effektområder til omfarvning og visuelle justeringer.
Digitale malerier med definerede områder
Stiliserede malerier kan fungere, når deres hovedfarver og belysningsområder forbliver visuelt tydelige.
Mindre egnede billeder
- Fotografier med kontinuerlige farvegradienter
- Meget teksturerede eller støjende billeder
- Billeder med kraftige komprimeringsartefakter
- Kunstværker med mange subtile farveovergange
- Billeder, der kræver semantisk objektadskillelse
Inde i pipelinen
Hvordan LayerDivider behandler en illustration
Arbejdsgangen konverterer et fladt billede til en omtrentlig lagdelt repræsentation gennem en række farveanalyse- og rekonstruktionstrin.
Analyser pixel-farver
Inputbilledet analyseres på pixel-niveau ved hjælp af dets RGB-farveinformation.
Opret indledende farveklynger
Pixels grupperes i et indledende sæt klynger i henhold til deres farveværdier.
Sammenlæg lignende farver
Klynger med lignende opfattede farver sammenlægges ved hjælp af en CIEDE2000-baseret farveforskels-tærskel.
Udglat lokale variationer
Sløringsbehandling reducerer små farveudsving, teksturstøj og unødvendig fragmentering.
Omfarv hver klynge
Den gennemsnitlige farve efter sløring beregnes for hver klynge og bruges til at omfarve dens pixels.
Forfin resultatet
Farvesammenlægning, udjævning og omfarvning kan gentages for at skabe en renere og mere stabil grundstruktur.
Byg grundlaget
Det endelige klyngekort bruges til at konstruere en forenklet grundrepræsentation af illustrationen.
Beregn effektlag
Forskelle mellem det rekonstruerede grundlag og det originale billede bruges til at udlede belysnings- og effektinformation.
Den centrale idé
Hvorfor farvegruppering er vigtig
En flad illustration kan indeholde tusindvis af individuelle RGB-værdier, selv når kunstneren visuelt kun havde til hensigt et lille antal grundfarver. Anti-aliasing, gradienter, penseltekstur, skygger og komprimering introducerer mange små variationer.
LayerDivider reducerer denne kompleksitet ved at gruppere farver, der fremstår perceptuelt ens. I stedet for at behandle hver RGB-værdi som et separat område, bruger den farvelighed til at danne større, mere redigerbare klynger.
Dette gør den rekonstruerede lagstruktur lettere at forstå og manipulere, selvom aggressiv gruppering også kan sammenlægge detaljer, der burde forblive adskilte.
LayerDivider-parametre forklaret
Balancen mellem rene lag og bevarede detaljer afhænger i høj grad af fire hovedparametre.
Forfinelses-iterationer
Styrer hvor mange gange farvesammenlægning, udjævning og omfarvning gentages.
Hurtigere behandling med mere af den originale farvevariation bevaret.
Renere og enklere områder, men små detaljer kan blive sammenlagt eller fjernet.
Indledende klynger
Indstiller antallet af farveklynger, der oprettes i den første fase.
Producerer færre, bredere farvegrupper og en enklere lagstruktur.
Bevare mere farvevariation, men kan skabe en større og mere fragmenteret PSD.
Farveforskels-tærskel
Bestemmer hvor ens to klynger skal være, før de sammenlægges.
Holder lignende farver adskilte og bevarer mere subtil variation.
Kombinerer flere farver til større områder og forenkler outputtet.
Sløringsstørrelse
Styrer styrken af udjævning, der anvendes, før gennemsnitsfarver beregnes.
Bevare skarpere lokale detaljer, men kan bevare støj og små fragmenter.
Skaber glattere områder, men kan udjævne små kanter og fine detaljer.
PSD-konstruktion
Normale og sammensatte outputtilstande
LayerDivider kan konstruere lagdelte PSD-filer ved hjælp af forskellige kombinationer af grund- og effektlag.
Normal tilstand
Skaber en enklere PSD-struktur med fokus på de rekonstruerede billedområder.
Bedst til
Brugere, der ønsker en ligetil struktur til omfarvning og grundlæggende belysningsjusteringer.
Sammensat tilstand
Bruger flere blandingslag til at rekonstruere mere af det originale visuelle udseende.
Bedst til
Brugere, der ønsker en mere detaljeret rekonstruktion og er fortrolige med at arbejde med blandingsmetoder.
Hvad kan du gøre med den lagdelte PSD?
De genererede lag giver et praktisk udgangspunkt for redigering af flade illustrationer.
Omfarv en illustration
Juster udvalgte farveområder uden at male hele billedet forfra.
Rediger skygger og højlys
Rediger lysere og mørkere information separat for at teste forskellige belysningsbehandlinger.
Studer illustrationens struktur
Undersøg hvordan grundfarver og visuelle effekter kombineres for at genskabe det flade resultat.
Forbered kunstværk til animation
Brug den rekonstruerede PSD som et tidligt forberedelsestrin, før du manuelt organiserer animationsklare elementer.
Gendan et redigerbart udgangspunkt
Opret en mere håndterbar fil, når kun en flad eksport er tilbage, og den originale PSD ikke er tilgængelig.
Skab visuelle variationer
Eksperimenter med alternative paletter, belysningsstile og effektstyrker, mens hovedkompositionen bevares.
Sæt de rette forventninger
Hvad LayerDivider ikke gendanner
LayerDivider producerer en rekonstrueret tilnærmelse snarere end at vende den originale kreative proces om.
Ikke den originale PSD
Den genererede fil indeholder ikke de nøjagtige lag, masker, grupper, navne eller penselstrøg, der er skabt af den originale kunstner.
Ikke semantisk objektgenkendelse
Farvebaseret behandling forstår ikke i sig selv, at et område repræsenterer hår, tøj, hud, baggrund eller et andet objekt.
Ingen rekonstruktion af skjult indhold
Den kan ikke afsløre dele af et objekt, der aldrig var synlige i det flade input.
Lignende farver kan sammenlægges
Separate objekter, der deler lignende farver, kan placeres i det samme rekonstruerede område.
Gradienter kan skabe fragmentering
Blød skygge, tekstur og komplekse gradienter kan generere mange klynger eller kræve stærkere forenkling.
Manuel oprydning kan være nødvendig
PSD'en kan stadig kræve omdøbning, omgruppering, maskering, omfarvning og justering af lagrækkefølge.
LayerDivider vs. semantisk lagadskillelse
Begge metoder forvandler et fladt billede til redigerbare komponenter, men de organiserer billedet på forskellige måder.
LayerDivider
- Grupperer primært pixels efter farvelighed
- Fungerer særligt godt med fladfarvede illustrationer
- Kan rekonstruere grund- og effektlag
- Tilbyder kontrollerbare klyngeparametre
- Kan kombinere separate objekter med lignende farver
Semantisk lagadskillelse
- Forsøger at identificere motiver og meningsfulde objekter
- Bedre egnet til redigering på objektniveau
- Kan oprette lag som person, produkt og baggrund
- Afhænger af segmenterings- og visuelle forståelsesmodeller
- Kan overse fin illustrationsspecifik farvestruktur
Farvebaserede og semantiske metoder er komplementære. Farvedekomponering er nyttig for illustrationens udseende, mens semantisk adskillelse er mere nyttig, når redigerbare objekter er prioriteten.
En praktisk illustrations-arbejdsgang
Start med en ren kilde
Brug den højest mulige PNG-kvalitet. Undgå stærkt komprimerede skærmbilleder, når det er muligt.
Vælg det ønskede detaljeniveau
Brug flere indledende klynger til detaljerede kunstværker og færre klynger til enklere, fladere illustrationer.
Gennemgå små detaljer
Undersøg øjne, hårstrå, stregtegning, tilbehør, højlys og andre områder, der kan blive sammenlagt.
Åbn PSD'en i en editor
Gennemgå outputtet i Photoshop, Clip Studio Paint, Photopea eller en anden PSD-kompatibel editor.
Organiser og ryd op i lagene
Omdøb vigtige lag, kombiner unødvendige fragmenter, korriger masker og forfin lagrækkefølgen.
Originalt projekt
Et open source-eksperiment med illustrationsdekomponering
LayerDivider blev skabt af mattyamonaca som et open source-værktøj til at opdele en enkelt illustration i en lagdelt struktur. Det originale projekt tilbyder en Gradio-brugerflade, lokale Windows-installationsinstruktioner og en Google Colab-arbejdsgang.
Kildekoden er tilgængelig under MIT-licensen, hvilket gør den til en nyttig reference for udviklere, forskere og skabere, der udforsker farvebaseret illustrationsdekomponering.
LayerDivider er et uafhængigt open source-projekt. ImageToLayers er ikke den originale skaber af LayerDivider.
LayerDivider Ofte Stillede Spørgsmål
Hvad er LayerDivider?
LayerDivider er et open source-værktøj, der konverterer en flad illustration til en omtrentlig lagdelt struktur ved hjælp af pixel-niveau farvegruppering, udjævning, rekonstruktion og beregning af effektlag.
Kan LayerDivider gendanne den originale PSD?
Nej. Den skaber en ny lagdelt tilnærmelse baseret på det synlige flade billede. Den kan ikke gendanne de originale lagnavne, grupper, masker, skjulte pixels eller redigeringshistorik.
Bruger LayerDivider AI?
Den originale farvebaserede arbejdsgang bruger primært billedbehandlings- og klyngedannelse-teknikker. Senere integrationer kan kombinere LayerDivider-stil PSD-generering med segmenteringsmodeller som Segment Anything.
Hvilke billeder fungerer bedst med LayerDivider?
Anime-illustrationer, fladfarvet karakterkunst og billeder med tydeligt adskilte farveområder fungerer generelt bedre end fotografier eller meget teksturerede malerier.
Kan LayerDivider adskille en karakter fra baggrunden?
Den kan adskille dem, når deres farver er tilstrækkeligt forskellige, men farvebaseret gruppering forstår ikke i sig selv semantiske objekter. Et segmenteringsbaseret værktøj er mere pålideligt til adskillelse på objektniveau.
Hvad er CIEDE2000?
CIEDE2000 er en farveforskelsformel designet til bedre at afspejle, hvordan mennesker opfatter forskelle mellem farver. LayerDivider bruger en tærskel baseret på denne måling, når den beslutter, om lignende farveklynger skal sammenlægges.
Hvad styrer indstillingen for indledende klynger?
Den styrer, hvor mange farvegrupper der oprettes i begyndelsen af behandlingen. Flere klynger bevarer yderligere variation, men kan producere et mere komplekst og fragmenteret output.
Hvad er forskellen mellem normal og sammensat tilstand?
Normal tilstand skaber en enklere struktur, mens sammensat tilstand kombinerer grund-, screen-, multiply-, subtract- og addition-lag for at rekonstruere mere af det originale visuelle udseende.
Kan jeg redigere den genererede fil i Photoshop?
Ja. LayerDivider genererer PSD-output, der kan åbnes i applikationer, der understøtter lagdelte PSD-filer, selvom der stadig kan være behov for manuel organisering og oprydning.
Er LayerDivider egnet til fotografier?
Den er primært designet til illustrationer. Fotografier indeholder kontinuerlige toner, tekstur, støj og kompleks belysning, der er mindre egnet til farveklyngebaseret adskillelse.
Original LayerDivider-brugerflade
Den originale open source LayerDivider-brugerflade giver adgang til kontrol for farvegruppering, perceptuel farvesammenlægning, udjævning og PSD-output.
Har du brug for objektbaserede billedlag?
Brug ImageToLayers til at adskille motiver, objekter og baggrunde i praktiske redigerbare aktiver, med baggrundsrekonstruktion og PSD- eller ZIP-eksport.