企业官网建设流程全解析

把一张二次元立绘拆成 23 个互不重叠、且被挡住的部分都补好的图层，最后输出成 PSD——这件事以前是 Live2D 画师几个小时的体力活。
读完本文你将了解：可直接跑的最小命令链 | 8 GB 到 16 GB 显存的四条路线怎么选 | 为什么“逐层拆”会失败、“一起拆”才对 | 哪些图它会拆坏。

这个项目解决什么问题？

图片是三维场景的二维投影，一旦发生遮挡，被挡住的像素就永久丢失了。想让角色动起来，就必须把丢失的那部分画回来——这是 Live2D 工作流里最耗人的环节：画师要把一张立绘手工切成几十上百层，还要逐层“脑补”被挡住的区域（头发后面的后脑、衣服底下的身体），最后手动指定每一层谁盖谁。

See-through 把这三件事自动化了。输入一张图，输出一个 PSD：最多 23 个带透明通道的语义图层（前发、后发、脸、眼、衣服、配饰等），每个图层都已经把被遮挡的部分补全，并且附带推断出的绘制顺序。📄

它来自 SIGGRAPH Conference Papers '26 的第 30 篇论文，作者来自中国香港的圣方济各大学、东京 Spellbrush 与宾夕法尼亚大学，仓库 Apache-2.0 开源。📄

先说清楚它不是什么：官方在 README 里专门写了一节「这是 Image-to-Live2D 吗」，答案是“不是，至少现在不是”。缺的三样是——面向形变的艺术性分层（自动分层优先保证语义正确，画师会按动作需要切）、rigging（形变网格与物理参数）、以及分层与绑骨的整体艺术意图。它产出的是一份高质量的 PSD 草稿，不是可以直接开播的模型。📄

快速上手（动手环节）

环境是这套东西第一个门槛：Python 3.12、PyTorch 2.8.0、CUDA 12.8。依赖按用途分档，走推理只需要装推理档；如果要用交互式 UI，还要额外装mmdet那一档（detectron2 / SAM2 / mmcv / mmdet 的组合）。🌐

克隆后先确认主入口存在，再按显存选路线：

gitclone https://github.com/shitagaki-lab/see-through.gitcdsee-through&&python-c"import torch; print(torch.__version__, torch.cuda.is_available())"# 路线 A：16 GB 以上，bf16 全精度python inference/scripts/inference_psd.py--srcpassets/test_image.png--save_to_psd# 路线 B：12 GB，开 group offload（约 1.5 倍慢，峰值降到 ~10 GB）python inference/scripts/inference_psd.py--srcpassets/test_image.png--save_to_psd--group_offload# 路线 C：8 GB，NF4 量化（默认 depth 720，可再降 layerdiff 到 1024）pipinstall-rrequirements-inference-bnb.txt python inference/scripts/inference_psd_quantized.py--srcpassets/test_image.png--save_to_psd--resolution1024# 路线 D：8 GB 但坚持 bf16，走 block swappython inference/scripts/inference_psd_blockswap.py--srcpassets/test_image.png--save_to_psd

--srcp既可以接单张图，也可以接一个目录，批量时会逐张处理。默认产物落在workspace/layerdiff_output/，里面除 PSD 还有中间深度图和分割 mask——这两样别删，后面调层序全靠它们。

拿到 PSD 之后还有一步常常被忽略：再劈一层。同一层内部如果横跨了明显的前后关系（典型是头发从脸前绕到脸后），需要按深度切开；左右对称的部件（比如左右手套）需要按左右切：

python inference/scripts/heuristic_partseg.py seg_wdepth--srcpworkspace/layerdiff_output/xxx.psd--target_tagshandwear python inference/scripts/heuristic_partseg.py seg_wlr--srcpworkspace/layerdiff_output/xxx_wdepth.psd--target_tagshandwear-1

显存这件事有个容易被误读的点：NF4 路线画质损失很小（对 bf16 基线 PSNR 约 30 dB、SSIM 约 0.96），代价主要在量化后的权重体积和轻微速度，而--group_offload是反过来——画质不动，速度掉约 1.5 倍。所以 12 GB 卡别急着上量化，先试 offload。📄

技术原理：为什么“逐层拆”一定会失败

这套管线的骨架是三个模型的组合，而不是一个端到端网络：LayerDiff 3D 负责生成带 alpha 的透明图层，Marigold 的二次元微调版负责逐像素伪深度，SAM Body Parsing 负责 19 类的语义分割。📄

真正的技术含量在训练策略上。第一版的做法很自然：给模型输入“原图 + 目标类名”，一次抠一个部件。跑出来的问题是每一层都不知道别的层在干什么——夹克和袖子颜色接近时，夹克层会几乎变空，像素被袖子层吸走；换个说法，19 个层在互相抢地盘。

第二版换了思路，也是这篇论文的核心：

把 19 个层的 latent 按视频帧的方式摞起来同时降噪，再让注意力跨层流动，等于给每个部件配了一份实时的“占用地图”。这个改动在数字上是可验证的：加上模块后深度误差 AbsRel 从 0.1549 降到 0.0943。📄

第二把刀是层序。既然要给 23 个层排前后，就得有一个连续量，而不是让模型直接输出“第 3 层压第 7 层”这种离散判断。See-through 用的是伪深度 + 部件内 K-Means 聚类：同一“头发”层内部按深度一劈为二，前发和后发就分开了，“头发夹在脸层前后”的三明治结构才复现得出来。📄

整体收益对比 SAM+LaMa 基线：PSNR 从 12.28 升到 18.30，FID 从 81.14 降到 18.37。📄 速度上，第三方转述论文的数据是 RTX 4090 上图层分解约 74 秒、深度约 10 秒——一次性预处理，这个量级可以接受。🌐

架构分析：三模型组合与一份自己造的数据集

推理链路的形状很清晰，代价也很清晰：链越长，错一次就传到底。

还有个工程细节值得单独提：仓库里头部和身体是两个连续阶段分别拆的，所以实际耗时比论文里报的模型更长。这是官方自己在 README 里挂出来的代价，不是外部评测发现的。📄

比架构更值得看的是数据从哪来。2.5D 分层这件事没有现成标注——世界上不存在“这个角色第 7 层是后发”的公开数据集。作者的做法是从商用 Live2D 模型反推真值：

这套流程的价值在于把“画师脑子里的分层直觉”变成了可训练信号。9,102 个模型、总人工标注约 12 小时，平均下来一个模型不到 5 秒——这不是靠人力堆出来的数据集，是靠流程设计换来的。🌐 另有一步容易被忽略：用 Live2D 的 angle tracking 自动生成不同角度的姿态做数据增广，同样不需要额外标注。

优缺点 & 适用场景

能用的一面

• 输入输出都是行业标准格式：进去是 PNG/JPG，出来是 PSD。画师不需要学新工具，直接在 Photoshop 里接着改。
• 分层是语义的，不是按颜色或连通域切的。这一点决定了它的产物能直接进 2.5D 流程，而不是一堆需要重新归类的碎片。
• 三档显存路线覆盖了从 8 GB 笔记本到 24 GB 工作站，量化版画质损失很小（PSNR 约 30 dB）。

会翻车的一面（第三方上手记录的失效面，🌐）

• 适合：单角色、正面到微侧、上色干净、发/衣/饰符合二次元视觉语法的图。
• 吃力：极复杂的褶皱、手或道具明显挡住脸、极端透视、带完整背景的插画、重度 Q 版变形、半透明材质或重特效。
• 官方明说它不能替代 rigging，也不做艺术性分层。

所以合理的预期是“三小时手工拆层变成一小时修图”，而不是“点一下出成品”。这个差别在采购决策上很关键：它省的是体力活，不是判断力。

总结

See-through 真正的贡献，是把一件依赖画师直觉的事拆成了两个可计算的量：补什么交给生成先验（LayerDiff 3D），谁在前交给连续几何量（伪深度）。中间那个跨层注意力模块，解决的是“多层同时决策时如何不打架”这个通用问题——同样的思路在需要输出多个互斥结果的场景里都能借用。

想动手的话，建议顺序是：先用官方示例图把三条显存路线各跑一遍确认环境，再拿一张结构最简单的正面立绘试真图，最后才上复杂稿。别一上来就丢最贵的那张。

本文产出：一份可直接复制的四路线命令清单（见「快速上手」）、一份显存与画质取舍对照（bf16 / offload / NF4 / blockswap）、三个 Mermaid 流程图（训练策略、推理链路、数据引擎）。

信息来源说明：本文未做运行验证（git clone在采集时超时失败，未实际生成 PSD）。📄 标记为官方 README / 论文口径，🌐 标记为第三方上手记录或论文转述。显存与画质数字以官方说明为准，实际表现随驱动、分辨率与图片复杂度变化。