See-through是Image-to-Live2D吗官方团队的回答与未来路线图展望【免费下载链接】see-throughSingle-image Layer Decomposition for Anime Characters (SIGGRAPH 2026 Conference Paper)项目地址: https://gitcode.com/gh_mirrors/se/see-throughSee-through 是一款将单张动漫插画自动分解为最多 23 个透明图层的开源项目ACM SIGGRAPH 2026 论文可一键导出带语义标签的分层 PSD。很多新手都在问它到底是不是 Image-to-Live2D 神器本文将完整梳理官方团队的回答并展望从 V1 到 V3 的版本演进与未来路线图。 先认识 See-through一张图如何变成 23 层 PSDSee-throughSingle-image Layer Decomposition for Anime Characters的流水线分三步全部自动完成语义分割—— 基于 SAM 系的模型识别头发、脸部、眼睛、服装、饰品等部位透明层生成—— LayerDiff 3D基于 SDXL 的扩散模型为每个部位生成补全被遮挡区域的透明图层伪深度排序—— 针对动漫微调的 Marigold 深度模型估计前后关系决定图层叠放顺序。最终由主脚本 inference/scripts/inference_psd.py 一站式跑完直接导出分层.psd文件并附带深度图与分割掩码等中间结果。官方的代表性效果如下想快速试用的话准备好环境后只需一条命令详见 README.mdpython inference/scripts/inference_psd.py --srcp assets/test_image.png --save_to_psd❓ 官方团队如何回答是不是 Image-to-Live2D在 README.md 的 Discussion: Is this Image-to-Live2D? 一节中官方团队的回答很直接We dont think so — at least, not yet.我们不这么认为——至少目前还不是。1️⃣ 图层切分缺少为变形而设计的艺术考量Live2D 模型的图层是围绕特定变形行为设计的。See-through 的自动分解优先保证语义正确而专业 Live2D 画师在切分图层时会做出不同的艺术选择才能得到更自然的运动效果。2️⃣ 绑定Rigging环节尚未覆盖完整 Image-to-Live2D 流水线在分解之后还需要变形网格、物理参数和动作曲线。官方表示绑定是最关键也最耗人力的步骤不在当前项目范围内。3️⃣ 专业作品的图层、补绘与绑定是整体设计的真正的 Live2D 作品是整体设计出来的孤立地自动化其中一个环节无法复刻整体艺术效果。 但它仍是 Live2D 创作的实用起点官方同时强调See-through 能帮 Live2D 画师省去最枯燥的两步——手工抠图和遮挡区域补绘把静态插画变成可直接修改的分层 PSD显著降低前期成本。 未来路线图从 V1 到 V3 的 23 标签进化从 common/live2d/scrap_model.py 中可以看到标签体系的三代演进版本特点V1基础部位标签含 skin、beard 等V2标签合并精简新增 objects物品类V323 个细粒度标签前后发分离眼部拆分为虹膜、眉毛、眼白、睫毛V3 即当前主线模型路线图上有三个明确信号训练管线全量开源2026-04-14LayerDiff、Marigold 深度、透明 VAE、部位分割的训练脚本与数据管线全部放出见 training/README.md含 README_datapipeline.md 数据管线教程官方在 8×H200 上完成训练Live2D 标注 UIQt6 桌面工具ui/README.md用于对 Live2D 模型做人工标注与质检持续反哺 V3 训练数据低显存持续优化群组卸载约 10GB、NF4 量化约 8GB见 inference_psd_quantized.py、块交换约 8GB见 inference_psd_blockswap.py三套方案8-12GB 显卡也能跑。 社区生态谁来补齐 Live2D 的最后一公里官方在 README 中专门列出了社区集成恰好补上了分解到动起来之间的空白ComfyUI-See-throughComfyUI 节点化工作流 浏览器内 PSD 导出StretchyStudio / Anime2.5DRig浏览器端 2D 木偶动画工具拖入 See-through 的 PSD 即可自动绑定实现眨眼、口型同步、头发物理PachiPakuGen / PNGAL从分解后的 PSD 生成眨眼与口型动画素材导出 WebM、MP4、GIF 或精灵表。换句话说See-through 负责分解社区工具负责动起来——这也正是官方对 Image-to-Live2D 问题务实的回答。❔ 新手常见问题 FAQQSee-through 收费吗A它是完全开源的研究项目。官方声明未开设任何付费服务若遇到以此功能收费的网站均与官方无关请注意甄别。另有 HuggingFace Space 与魔搭 ModelScope 免费在线演示可供体验。Q显卡要求A1280 分辨率下默认需 12-16GB 显存8GB 显卡推荐 NF4 量化管线或块交换管线。Q分解后还能再细分图层吗A可以。heuristic_partseg.py 支持按深度或左右进一步切分指定标签例如把 handwear 拆分成左手、右手。 总结See-through 目前还不是Image-to-Live2D但它是距离该目标最近的一步23 层语义分解、自动补绘与 PSD 导出已高度自动化而绑定环节正由社区工具快速补齐。随着 V3 细粒度标签体系与训练管线全量开源单张插画 → 可动画 2.5D 角色的完整链路正在成型值得持续关注。【免费下载链接】see-throughSingle-image Layer Decomposition for Anime Characters (SIGGRAPH 2026 Conference Paper)项目地址: https://gitcode.com/gh_mirrors/se/see-through创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 See-through是Image-to-Live2D吗？官方团队的回答与未来路线图展望
See-through是Image-to-Live2D吗官方团队的回答与未来路线图展望【免费下载链接】see-throughSingle-image Layer Decomposition for Anime Characters (SIGGRAPH 2026 Conference Paper)项目地址: https://gitcode.com/gh_mirrors/se/see-throughSee-through 是一款将单张动漫插画自动分解为最多 23 个透明图层的开源项目ACM SIGGRAPH 2026 论文可一键导出带语义标签的分层 PSD。很多新手都在问它到底是不是 Image-to-Live2D 神器本文将完整梳理官方团队的回答并展望从 V1 到 V3 的版本演进与未来路线图。 先认识 See-through一张图如何变成 23 层 PSDSee-throughSingle-image Layer Decomposition for Anime Characters的流水线分三步全部自动完成语义分割—— 基于 SAM 系的模型识别头发、脸部、眼睛、服装、饰品等部位透明层生成—— LayerDiff 3D基于 SDXL 的扩散模型为每个部位生成补全被遮挡区域的透明图层伪深度排序—— 针对动漫微调的 Marigold 深度模型估计前后关系决定图层叠放顺序。最终由主脚本 inference/scripts/inference_psd.py 一站式跑完直接导出分层.psd文件并附带深度图与分割掩码等中间结果。官方的代表性效果如下想快速试用的话准备好环境后只需一条命令详见 README.mdpython inference/scripts/inference_psd.py --srcp assets/test_image.png --save_to_psd❓ 官方团队如何回答是不是 Image-to-Live2D在 README.md 的 Discussion: Is this Image-to-Live2D? 一节中官方团队的回答很直接We dont think so — at least, not yet.我们不这么认为——至少目前还不是。1️⃣ 图层切分缺少为变形而设计的艺术考量Live2D 模型的图层是围绕特定变形行为设计的。See-through 的自动分解优先保证语义正确而专业 Live2D 画师在切分图层时会做出不同的艺术选择才能得到更自然的运动效果。2️⃣ 绑定Rigging环节尚未覆盖完整 Image-to-Live2D 流水线在分解之后还需要变形网格、物理参数和动作曲线。官方表示绑定是最关键也最耗人力的步骤不在当前项目范围内。3️⃣ 专业作品的图层、补绘与绑定是整体设计的真正的 Live2D 作品是整体设计出来的孤立地自动化其中一个环节无法复刻整体艺术效果。 但它仍是 Live2D 创作的实用起点官方同时强调See-through 能帮 Live2D 画师省去最枯燥的两步——手工抠图和遮挡区域补绘把静态插画变成可直接修改的分层 PSD显著降低前期成本。 未来路线图从 V1 到 V3 的 23 标签进化从 common/live2d/scrap_model.py 中可以看到标签体系的三代演进版本特点V1基础部位标签含 skin、beard 等V2标签合并精简新增 objects物品类V323 个细粒度标签前后发分离眼部拆分为虹膜、眉毛、眼白、睫毛V3 即当前主线模型路线图上有三个明确信号训练管线全量开源2026-04-14LayerDiff、Marigold 深度、透明 VAE、部位分割的训练脚本与数据管线全部放出见 training/README.md含 README_datapipeline.md 数据管线教程官方在 8×H200 上完成训练Live2D 标注 UIQt6 桌面工具ui/README.md用于对 Live2D 模型做人工标注与质检持续反哺 V3 训练数据低显存持续优化群组卸载约 10GB、NF4 量化约 8GB见 inference_psd_quantized.py、块交换约 8GB见 inference_psd_blockswap.py三套方案8-12GB 显卡也能跑。 社区生态谁来补齐 Live2D 的最后一公里官方在 README 中专门列出了社区集成恰好补上了分解到动起来之间的空白ComfyUI-See-throughComfyUI 节点化工作流 浏览器内 PSD 导出StretchyStudio / Anime2.5DRig浏览器端 2D 木偶动画工具拖入 See-through 的 PSD 即可自动绑定实现眨眼、口型同步、头发物理PachiPakuGen / PNGAL从分解后的 PSD 生成眨眼与口型动画素材导出 WebM、MP4、GIF 或精灵表。换句话说See-through 负责分解社区工具负责动起来——这也正是官方对 Image-to-Live2D 问题务实的回答。❔ 新手常见问题 FAQQSee-through 收费吗A它是完全开源的研究项目。官方声明未开设任何付费服务若遇到以此功能收费的网站均与官方无关请注意甄别。另有 HuggingFace Space 与魔搭 ModelScope 免费在线演示可供体验。Q显卡要求A1280 分辨率下默认需 12-16GB 显存8GB 显卡推荐 NF4 量化管线或块交换管线。Q分解后还能再细分图层吗A可以。heuristic_partseg.py 支持按深度或左右进一步切分指定标签例如把 handwear 拆分成左手、右手。 总结See-through 目前还不是Image-to-Live2D但它是距离该目标最近的一步23 层语义分解、自动补绘与 PSD 导出已高度自动化而绑定环节正由社区工具快速补齐。随着 V3 细粒度标签体系与训练管线全量开源单张插画 → 可动画 2.5D 角色的完整链路正在成型值得持续关注。【免费下载链接】see-throughSingle-image Layer Decomposition for Anime Characters (SIGGRAPH 2026 Conference Paper)项目地址: https://gitcode.com/gh_mirrors/se/see-through创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考