AI拓图

定义

AI拓图指在已有图像的外侧新增画布，并由生成模型补画新增区域内容的任务，业内通称外绘或图像外推(Outpainting)^[1][2]。它处理的是原图边界之外的空白，因而与修补(Inpainting)不同：后者只在用户蒙版划定的内部区域重绘，保留四周像素；前者保留原图像素不变，只生成新增部分^[3]。

在某些实现中，外绘被描述为“先扩大画布、再用内绘填补新增空白”的组合，两者的训练目标可以完全一致，只是蒙版所指的位置相反^[4][3]。因此在概念谱系上，它被看作图像补全任务的一个特例，难度通常更高：可用的真实上下文只出现在一侧，待生成区域又是开放而非被四周包围的^[1][5]。

原理

这类工具的核心是条件生成：把原图、目标画幅与蒙版一并作为条件，让模型推测边界之外应当接续什么内容。理想的外绘模型需要完成三件事，即判断缺失区域相对于原图的空间位置、保证外推结果与原有结构布局一致、使接缝处的过渡在视觉上平滑^[1]。公开资料显示，模型的判断依据包括原图边缘的颜色、纹理、光线方向与线条走势，并据此填补空白画布^[6]。云服务接口的设计也反映了同一思路：按上、下、左、右四个方向分别给出相对原图短边的扩展比例，输出尺寸即原尺寸加上各方向的延伸量^[7]。

在扩散模型框架下，一种常见做法是在反向去噪过程的若干步中做潜变量融合：先用目标蒙版把新生成的潜表示与原图对应的潜表示按位混合，混合结果再进入下一步采样。相关实验表明，融合只施加在前约四分之一步数时效果最好，因为整体结构在早期时间步成形，而细节在后期才补足；若延伸到一半以上，蒙版在潜空间中的不精确会造成画面断裂或风格混杂^[8]。$z_{t-1}^{*} = m_{tgt}z_{t-1} + (1-m_{tgt})z_{t-1}^{s}$ 即该混合步骤的写法，其中 $m_{tgt}$ 为目标蒙版，$z^{s}$ 为被掩码的原图潜表示^[8]。

部分方案把任务拆成两段，先预测扩展后的语义布局或边缘，再据此合成高频纹理，以改善复杂场景下的合理性^[9][10]。也有研究采用渐进式外绘，即分多次小步向外扩展，每一步都锚定在前一步的真实细节上，以减少一次大幅扩展时的失真^[5][6]。

flowchart LR

A[输入原图与目标画幅] --> B[构造蒙版:标出新增区域]

B --> C[编码原图与蒙版为条件]

C --> D[扩散模型去噪生成新增区域]

D --> E[早期时间步做潜变量融合]

E --> F[接缝处理与拼接]

F --> G[输出扩展后的图像]

发展历程

2022 年 8 月 31 日，OpenAI 为 DALL·E 2 推出 Outpainting 功能，允许用户把图像延续到原始边界之外，生成任意宽高比的大尺寸画面，并在生成时考虑原图已有的阴影、反射与纹理。该功能被定位为此前 Inpainting 编辑能力的延伸：后者只能在图像内部改动，而前者可以把画布向外扩张^[11]。在同月的报道中，这一功能被视为解决生成模型固定方形成像尺寸限制的途径^[12]。

此前的研究脉络则可追溯到更早的图像外推工作，早期方法多依赖图像块的检索与拼接，或基于学习的外推网络，生成式模型进入这一任务后，画质与可控性都有明显变化^[1][13]。开源社区的扩散模型界面随后普遍提供外绘入口，文本提示与蒙版共同决定扩展效果^[2][14]。

近年来的研究重点转向可控性与任意规格输出：有工作借助同图随机裁剪视图与相对位置嵌入，实现连续倍数、任意分辨率且单步完成的外绘^[1]；也有工作把多模态大语言模型与扩散模型结合，由前者为待扩展区域生成文字引导^[15]；还有研究在潜扩散模型中加入构图规划模块，以缓解渐进式外绘中全局上下文丢失的问题^[5]。在产业侧，图像处理平台开始把智能扩图封装为可调用的接口，按方向比例设定扩展范围^[7][16]。

应用

最直接的应用是画幅适配。同一张素材往往要同时用于横版、竖版与方形入口，通过外绘可以在不改动主体的前提下补齐四周，减少重新拍摄或二次设计的成本^[7][16]。竖屏转横屏、横屏转竖屏是云服务文档中列出的典型场景^[7]。

在影像与创作领域，外绘被用于修复裁剪过度的照片、为排版在主体上方留出标题空间，以及延长画面形成横幅或壁纸^[6]。艺术作品与游戏美术同样受益：有研究关注在保持原作构图与风格的前提下扩展画面，也有开源工具把外绘与视差背景、瓦片等游戏素材生成串成一条流程^[5][17]。电商与广告场景中，它被用来为商品更换或延展背景、适配不同平台尺寸^[13][18]。

按界面形态划分，一类是面向专业软件与开放接口的工具，通过参数逐方向控制扩展比例；另一类是内置于手机修图与社交应用的消费级功能，提供等比扩展与多种常用比例选项^[16][19]。使用上的共同前提是输入图片主体清晰、边界完整，否则模型缺少可依据的线索^[18]。

局限

新增区域的内容本质上属于推测，尺度越大、可参考的真实细节越少，出错概率越高；一次性把宽度扩大一倍，会让模型在最外侧几乎无据可依，因此实践中常被建议分多次小幅扩展^[6][5]。主体若在边缘已被裁切，模型难以判断该如何续接，主体居中且完整可见时效果通常更好^[6][18]。

接缝问题是另一类常见缺陷，表现为重复的纹理、光线方向的突变，或从真实区域延伸进生成区域后变形的物体^[6]。在潜扩散模型上，掩码在潜空间中的不精确会带来断裂与风格混杂，融合步数过多时尤其明显^[8]。若外绘模型被用于根据主体生成背景，还可能在采样中改动主体边界，使对象的外形乃至身份发生变化，已有研究专门为这一现象提出度量与基于 ControlNet 的抑制方案^[13]。

分辨率和画幅同样是约束条件。多数基于潜扩散模型的外绘方法对分辨率与长宽比有限制，容易导致局部细节丢失或模糊，渐进式外绘则可能出现全局上下文捕捉不足、生成不自然图案的问题^[5]。工程实现上也存在输入上限，部分接口对长边像素和文件大小设有阈值，超出后需要先压缩或缩放^[7][16]。此外，扩展区域属于生成内容而非记录，其与原图的关系需由使用者自行判断与说明^[6]。

参见

• Inpainting —— 与拓图蒙版方向相反的图像修补任务，在图像内部填补缺失内容。

• 扩散模型 —— 当前多数拓图工具所依赖的生成式模型框架。

• Stable Diffusion —— 提供外绘入口的开源扩散模型之一。

• DALL·E —— 2022 年推出 Outpainting 功能的图像生成系统。

• 生成式人工智能 —— 拓图所属的技术范畴。