AI修图

定义

AI修图是指由人工智能模型自动完成或辅助完成照片后期处理的技术统称。其处理对象是已有的图像，目标是在保留拍摄内容的前提下改善曝光、色彩、清晰度和人像外观，或者按指令替换、增补画面中的局部元素。它与完全从零生成图像的文生图不同，输入中通常包含一张真实照片，修改幅度受到原图的约束。

从任务划分看，AI修图包含全局调整与局部编辑两类。全局调整作用于整幅画面的影调、色调与对比度；局部编辑则依据掩码或用户圈选，只改动指定区域，例如抹除背景中的路人或修补受损区域。

原理

多数AI修图系统建立在深度学习之上，按处理方式大致可分为三类：判别式复原网络、生成对抗网络和扩散模型。判别式网络直接学习退化图像到清晰图像的映射，常用于降噪与去模糊；生成对抗网络通过生成器与判别器的博弈提升细节的真实感，早期的人脸增强与超分辨率方案多采用这一路线^[1]。扩散模型则先对图像逐步加噪，再训练网络逆向预测并去除噪声，从而在复原阶段生成符合自然图像统计规律的细节^[2]。

以潜空间扩散模型为例，编码器把图像压缩为低维潜表示，前向加噪与逆向去噪都在该潜空间内完成，最后再由解码器还原为像素图像。损失函数通常写作预测噪声与真实噪声之间的均方误差：$L(\theta)=\mathbb{E}_{\epsilon,z,t,c}\left[\|\epsilon-\epsilon_\theta(z_t,t,c)\|_2^2\right]$，其中 $c$ 为文本、掩码等条件信息^[3]。

面向专业工作流的系统会在生成模型之外再套一层智能体，把自然语言指令翻译为对修图软件中具体工具的调用。此类系统通常经过监督微调与强化学习两阶段训练，并在每一步编辑后读取中间结果作为视觉反馈，再决定下一步操作，从而避免一次性“盲修”带来的偏差^[4]。

flowchart LR

A[输入照片与指令] --> B[视觉理解与规划]

B --> C[调用修图工具]

C --> D[生成中间图像]

D --> E[视觉评估与反思]

E -->|未达预期| C

E -->|符合预期| F[输出成片]

发展历程

在深度学习普及之前，图像修复主要依靠基于邻域信息的补全算法与手工参数调整。这类方法能够处理划痕、遮挡文字等简单缺损，但对复杂退化场景的适应能力有限^[5]。

生成对抗网络提出后，超分辨率与老照片增强成为较早落地的方向。SRGAN 一类模型可以从低分辨率输入重建出细节更丰富的高分辨率图像，相关商业应用随后出现于老照片修复和历史影像上色^[5]。

扩散模型在图像生成领域取得进展后，研究者将其引入超分辨率、去模糊、补全、去雨、去噪和低光照增强等复原任务，多个综述把这一阶段视为图像复原方法的转折点^[6]。

2025 年前后，研究重点从单一任务的模型转向可与专业软件协同的修图智能体。相关工作报告称，此类智能体可调用修图软件中 200 余项操作，在像素级内容保真度指标上相对通用多模态模型有明显提升。面向普通用户的产品则把多轮编辑与局部圈选修改作为主要交互方式。

应用

人像精修是应用最广的场景之一。商业摄影流程中，联机拍摄后由模型批量完成调色、磨皮与光影优化，可在数十秒内给出可交付的预览，覆盖婚纱、旅拍、活动跟拍和证件照等用途^[7]。部分工具新增多人种肤色选项与可调节的磨皮强度，以减少过度平滑导致的皮肤纹理丢失^[8]。

图像修复与画质增强是另一类常见用途，包括去除路人、杂物与水印，修补缺损草地，替换天气场景，以及降噪、老照片修复和超分辨率放大^[7]。在医学影像与遥感等领域，扩散模型也被用于重建低质量图像和恢复缺失细节^[9]。

风格化与创意编辑构成了面向内容创作者的应用方向。系统可把真实人像转换为手绘质感的动漫风格，或在暗逆光条件下模拟补光效果，用户通过文字、边框圈选或笔刷指定修改范围^[8]。

局限

复原类任务存在保真度与感知质量之间的取舍。生成模型倾向于补出看起来自然但并不存在于原图中的纹理，指标上更“好看”的结果未必更接近真实场景，这一矛盾在盲超分辨率研究中被反复讨论^[6]。

生成式编辑容易在多轮修改中改变人物身份特征。实测显示，经过多次调整后，面部痣等细节可能消失，眼形等特征也可能被改写，因此这类结果不适合用于需要人证合一的正式证件。

基于扩散的编辑方法还存在重绘全部像素、局部属性控制不精细以及受架构限制难以处理任意分辨率等问题，导致原图内容难以完整保留。此外，训练依赖成对的输入输出数据，而真实退化类型繁多，收集覆盖全面的数据集成本较高，模型对未见场景的泛化能力受到限制。

智能体式修图另有自身短板。现有文本思维链在推理时看不到中间修图结果，容易产生指令幻觉；强化学习对齐过程中，策略模型还可能利用静态奖励模型的漏洞获得高分，而非真正提升修图质量^[4]。

参见

• 扩散模型 —— AI修图中超分辨率、补全等任务所依赖的主要生成模型。

• 生成对抗网络 —— 早期人脸增强与老照片修复常用的生成模型架构。

• 超分辨率 —— 由低分辨率图像重建高分辨率细节的复原任务。

• 图像修复 —— 填补图像缺损区域的经典图像处理问题。

• 多模态大语言模型 —— 使修图系统能够理解自然语言指令的基础模型。