说明:本文由作者基于自己的实测和项目代码撰写,人工智能(AI)参与了结构整理和文字润色。作者是 LayerGrab(AI 图片拆图层工具)的开发者。**适合谁:**手里只有一张拍平的图(JPG、PNG、AI 生成图),想把里面的标题、商品、装饰拆成独立可编辑图层的设计师和开发者。**一句话结论:**图层分解(layer decomposition)是让 AI 模型把一张平面图拆成多个 RGBA 透明图层的任务,并且会把每个元素背后被挡住的部分补画出来。过去在 Photoshop 里用钢笔工具一个个抠、再用内容识别填充补洞的活,现在一次模型调用就能完成。一、环境与模型模型:Qwen-Image-Layered,通义团队 2025 年 12 月开源,Apache 2.0 协议,可商用。本地运行:ComfyUI 已原生支持;显存需求大,GitHub issue 里有用户反馈 16 GB 显卡跑不起来,24 GB 也很吃紧。不想配环境:用托管 API。本文实测用的是 fal 的队列接口(按输出图片张数计费,每张 0.05 美元)。二、调用示例以下是 fal 公开文档里的调用方式(示例,FAL_KEY换成你自己的 key):curl-XPOST https://queue.fal.run/fal-ai/qwen-image-layered\-HAuthorization: Key$FAL_KEY\-HContent-Type: application/json\-d{image_url: https://example.com/poster.png, num_layers: 4, output_format: png}返回里有status_url和response_url,轮询状态到COMPLETED后取结果,images数组就是各个图层。三、实测结果测试图:一张 880 × 1184 的咖啡店海报(标题、折扣徽章、咖啡杯、多片枫叶)。num_layers 4时:返回 4 张 PNG,每张都是544 × 736,即整张画布大小(模型工作在 640 档分辨率左右)。第 1 层是完全不透明的背景;第 2~4 层只有各自元素处不透明。文字、折扣徽章和三片小枫叶被分在同一层,咖啡杯单独一层,一片大枫叶单独一层。四层叠回去和缩小后的原图对比,平均像素差异 1.5%。推理 18.6 秒,含排队总共 65 秒。num_layers 2时:咖啡杯和标题留在了背景层,第二层只拆出了小装饰。四、常见问题排查1. 主体没拆出来,留在背景里了原因:模型按「深度」分组,不按物体分组。层数太少时主体会被并进背景。解决:层数从 4~6 开始试。2. 输出分辨率变低了原因:模型工作在约 640 像素。解决:拆完再超分;要印刷的话先确认尺寸够不够。3. 本地显存不足(OOM)原因:模型约 20B 参数。解决:用 fp8 版本降低显存,或改用托管 API。4. 文字拆出来不能改字原因:拆出来的文字层是图片,不是可编辑文字。解决:隐藏文字层(背景已补好),用真实字体重新打字。5. 费用比预期高原因:托管接口按输出张数计费,拆 4 层就是 4 张的钱。解决:先用少量层数验证效果。五、不想自己跑的方案LayerGrab 是一个 AI 图片拆图层工具:把一张图拆成最多 16 个透明图层,每层按内容自动命名,背景补全,可导出 PNG、ZIP 或分层 PSD,还有 Photoshop、Figma、Sketch 插件。同一张海报,它在 100 秒内拆出了 10 个命名图层,保持原始分辨率。它也托管了 Qwen-Image-Layered,2 层可免费试一次:https://layergrab.com/qwen-image-layered-free**不适合的情况:**图片必须留在本地、不能上传的,请用本地部署的开源模型。六、PS 会被淘汰吗作为精修、排版的工具不会,LayerGrab 自己都做了 Photoshop 插件。但「拿钢笔工具把一张平面图一点点拆开」这件事,已经变成了一次模型调用。