Разбор изображений на RGBA-слои: что скрывается под капотом Stable-Layers от Stability AI

Принято считать, что лучшие релизы Stability AI остались в прошлом, но их новый проект заставляет обратить на себя внимание. Модель Stable-Layers обещает автоматически разбирать плоское RGB-изображение на редактируемые RGBA-слои. Фон дорисовывается там, где был скрыт предметами, а объекты выстраиваются друг над другом с прозрачностью. Звучит как идеальный инструмент для моушн-дизайна, избавляющий от часов ручного ротоскопинга.

Правда, если посмотреть под капот, мы увидим не совершенно новую архитектуру. В основе лежит тяжеловесная модель Qwen-Image-Layered, поверх которой инженеры натренировали свой адаптер. Дополнительное обучение пошло на пользу: слои перестали бессмысленно дублироваться, альфа-канал стал чище, а сепарация объектов теперь выглядит гораздо логичнее оригинала. Алгоритм генерирует до четырех слоев на изображение, оставляя ненужные уровни пустыми.

Но за такую автоматизацию приходится платить серьезными аппаратными требованиями. Базовые веса занимают около 40 ГБ в формате bf16, что требует видеокарты уровня A100 с 80 ГБ памяти. Вопрос в том, много ли независимых креативщиков имеют доступ к такому железу? К тому же, генерация требует строгих настроек: жестко зафиксированное разрешение 640 px, ровно 50 шагов и исключительно сэмплер Heun. Малейшее отклонение превращает результат в визуальный мусор. Модель работает качественно, но пока это утилита для студийных серверов, а не для локального использования.