AI 电商视觉全链路实操手册：从行业分工到精修、融图、放大、服装迁移的可控生产法

本文由 莫潇羽@无忆研习社（www.wuyi.wiki）撰写，转载请注明出处。

快速摘要

如果你只想要一句结论：AI 没有让电商视觉变简单，它把工作量从"手上功夫"挪到了"判断力"上。整条链路真正的总开关只有一个——重绘幅度（denoise）。人像控制在 0.2 到 0.3，产品收尾控制在 0.7 到 0.8，融图修补控制在 0.25 左右，超出这个范围，五官会漂、结构会变、文字会糊。第二个硬指标是输入分辨率，短边低于 1200 像素的图，任何模型都补不出可信细节。第三件事比前两件更要命：2025 年 9 月 1 日起施行的《人工智能生成合成内容标识办法》已经明确要求生成合成内容添加显式与隐式标识，商用素材、字体、音乐还需要单独拿到正版授权——这一步没做，前面所有努力都是负资产。

这篇文章不打算教你"哪个模型最强"。模型每个季度都在换代，今天写死明天就过期。我想交付的是一套不随工具变化的判断框架：怎么看懂一个类目的视觉语言，怎么把生成式工具拆进一条可控的流水线，怎么在每一个环节预判它会在哪里翻车，以及怎么把成品合规地交出去。

内容体系覆盖九个部分：行业分工与判断力来源、重绘幅度原理与档位、产品精修四维标准、人像精修的去 AI 感、融图的透视地基、放大的分块拼接、服装迁移的还原天花板、合规交付清单，以及一份可以直接抄走的上线前自检表。

想看完整拆解，往下翻。

一、先说清楚一件事：门槛没有消失，它只是挪了位置

我这两年在无忆研习社陆陆续续写过一些视觉相关的实操记录，被问得最多的一个问题是：现在 AI 这么强，还有必要学修图吗？

这个问题的问法就有点问题。它默认了"修图"是一项手艺，而 AI 把手艺替代掉了。但真实情况是，修图从来就是两层东西叠在一起——上面一层是操作，下面一层是判断。操作层是"怎么把这块高光提亮两档"，判断层是"这块高光到底该不该提亮、提到什么程度算好看"。

AI 干掉的只有操作层。

以前学产品精修，真的是要花几个月去练的。练什么？练钢笔工具抠出干净的边缘，练用曲线一点点堆体积，练在放大到 300% 的视图里一个像素一个像素地擦掉污渍。这些动作重复性极高，熟练度决定一切，所以它天然就是被自动化吃掉的那一层。现在你把一张半成品丢进工作流，拉一个滑块，几十秒后拿回来的东西，可能比一个练了三个月的新手做得还稳。

但判断层一点没少。你依然要回答：这个产品该修成什么样？这个类目的视觉语言是什么？这张图放到搜索结果里，用户扫过去的零点几秒能不能被抓住？AI 给不了你答案，它只会把你的模糊指令翻译成一张模糊的图。

我自己折腾下来的体感是，AI 时代的新手反而更容易卡住。以前卡在技法上，至少你知道自己差在哪，练就完了。现在技法这道坎被抹平了，所有人出图速度都差不多，差距一下子全部压到判断力上——而判断力这个东西，没有进度条，也没有快捷键。

一条完整的生产链路长什么样

先把全局图摆出来，后面每一章都是在拆这张图里的某一个盒子。

flowchart TD
    A[需求输入<br/>类目 · 品牌调性 · 投放位置] --> B[素材准备<br/>拍摄原图 / 授权素材]
    B --> C{素材质量分级}
    C -->|低于 60 分<br/>结构破损 · 严重污渍| D[对话式模型粗修<br/>大刀阔斧改问题]
    C -->|60 到 80 分<br/>基本干净| E[节点式工作流精修<br/>低幅度重绘收尾]
    D --> E
    E --> F[融图 / 场景合成<br/>透视 → 光影 → 环境色]
    F --> G[图像放大<br/>分块处理 + 拼缝修复]
    G --> H[人工收口<br/>蒙版回贴 · 文字校对 · 色彩微调]
    H --> I[合规检查<br/>AI 标识 · 素材授权 · 敏感表述]
    I --> J[尺寸切分与交付]

这张图里有两个地方是新手最容易跳过的。

第一个是最左边的"素材质量分级"。很多人拿到一张烂图就直接往精修工作流里扔，然后抱怨效果差。这就好比把一堆生肉扔进烤箱按"再加热"键——工具没做错，是你用错了阶段。

第二个是右下角的"人工收口"。AI 能把一张图从 0 分做到 90 分，但 90 到 100 的那一段，到现在为止还是得人手动去补。我后面会用整整两节讲这一段为什么补不掉、该怎么补。

三层职责，别让 AI 越界

我给自己定了一条很笨但很有效的规矩：把每个环节的职责写死，不让任何一方越界。

AI 负责重复劳动。 批量去污渍、补细节纹理、生成候选背景、做粗略的光影融合。这些事情它做得又快又稳，人做只是在消耗时间。

软件负责精确控制。 蒙版、曲线、色相饱和度、局部选区、智能对象。凡是需要"精确到这一块区域、精确到这个数值"的操作，都交给传统图像软件。AI 在这类需求上是不可靠的，你没法用自然语言描述"把这个瓶盖的高光提亮 8%，其他地方一律不动"。

人负责标准与验收。 决定修成什么样、判断哪一版可用、承担最终责任。

这条规矩看起来像废话，但你去看那些做得难看的 AI 电商图，八成都是职责越界的结果：要么让 AI 去干精确控制的活（于是产品变形了），要么让人去干重复劳动（于是三天只做了两张图）。

二、判断力从哪来：先看懂平台、品牌、类目这三层约束

上一节说判断力是核心，那判断力到底从哪长出来？

不是从审美天赋里长出来的，是从"约束"里长出来的。你越清楚自己被哪些东西约束着，判断就越准。做电商视觉，约束有三层，从外到内分别是平台、品牌、类目。

第一层：你服务的是哪一类甲方

行业里大致有四种角色，它们对视觉的诉求差得非常远。我把常见的差异整理成一张表：

这张表不是让你挑边站，是让你在接到一个需求时，先反应过来"对面是谁"。

同样一句"帮我做张主图"，品牌方要的是符合手册规范、不能越线的那一张；中小商家要的是今天下午就能上架、点击率别太差的那一张。你按前者的标准去伺候后者，对方觉得你磨叽；按后者的标准去交付前者，对方觉得你不专业。

我个人的路径建议是：如果目标是快速成长，服务型公司的密度最高，一年抵别处三年；如果已经有一定积累想稳下来，品牌方更合适；平台方是后期选项，一般需要相当厚的项目履历做支撑。这条路径没有标准答案，看你当下最缺的是什么。

第二层：类目的视觉语言是硬约束

这是新手最容易栽的地方，也是我认为 AI 最帮不上忙的地方。

同一套技法，放到不同类目就是不同的评判标准。美妆护肤这种类目，视觉包装的力度必须给足——用户买的很大程度上是感知价值，画面寡淡就等于自我降级。但服装类目反过来，画面本身的包装感要往回收，因为主体是衣服和人，过度的画面设计会把主体盖住。再换到跨境的一些平台，早年甚至明确不鼓励过度修饰，逻辑是修得太好会造成收货预期落差。

我把几个常见类目的视觉倾向做了个粗略归纳，仅供快速对标，不要当成教条：

表格只是入口。真正要练的是"对标三步法"，这是我自己每接一个新类目都会走一遍的流程：

第一步，看类目。 打开平台搜索这个品类，把前两页的图全部扫一遍，不看单张好坏，看共性——大家都在用什么色调？构图偏满还是偏空？文字信息量大概多少？这一步定的是"及格线在哪"。

第二步，看品牌。 锁定你要服务的那个品牌，翻它近一两年的官方物料。注意是近一两年，品牌视觉是会迭代的，三年前的调性拿来用可能已经过时了。这一步定的是"边界在哪"。

第三步，看落位。 同一张画面，放在搜索结果列表里、放在详情页顶部、放在内容流广告里，要求完全不同。搜索位拼的是零点几秒的识别效率，详情页拼的是信息传达的完整度，内容流拼的是"不像广告"。这一步定的是"重点在哪"。

我见过太多作品，技法挑不出毛病，就是错在第二步。一个主打简洁克制的品牌，你给人家做了一张花里胡哨的画面，技术分再高也过不了，因为它在策略层就跑偏了。有经验的人扫一眼就能看出来——这个人只会做图，不懂生意。

第三层：别把黑话当门槛，但得听得懂

行业里有一堆约定俗成的叫法，第一次听会懵，但其实都是大白话包了层壳。我挑几个出镜率最高的解释一下，方便新手看懂需求文档：

• KV（主视觉）：一场活动或一个产品最核心、最有代表性的那张画面，通常也是页面最顶部那张。
• 直通车图：搜索推广位上展示的商品图，付费才能露出，核心目标是点击效率，所以卖点会做得比常规主图更突出。
• 承接页 / 落地页：用户从广告点进来看到的第一个页面，一般会单独记录数据，用来评估投放效果。
• 切图：把一张很长的设计稿切成若干小图再上传拼合，目的是避免单张图片体积过大导致加载失败。建议每片高度不超过 2000 像素左右。
• 情绪板：正式动手前，把相关的风格图、色彩、字体、参考案例聚在一起形成的一张参考图，用来跟需求方对齐方向。
• 飞机稿：提案里没被采纳的那些方案。
• 像素眼：对细微偏差极其敏感的观察能力，这个能力值得刻意练。

还有几个数据指标，做 AI 出图的时候尤其要盯：点击率决定你的图有没有被看见，转化率决定你的图有没有说服人，跳失率决定你的图是不是把人吓跑了。AI 能提升出图数量，但这三个数字只对判断力买账。

尺寸与规格：把它做成一张随时能查的表

规格这类东西不需要背，但需要有一张自己的速查表，而且要定期核对平台官方后台的最新口径——平台规范是会更新的，下面这组是常见的通用参考值，不是永久有效的标准。

有一点我想多说两句，因为很多人搞错了：网页端的清晰度只由像素数量决定，PPI 这个数值对屏幕显示几乎没有意义。 把一张 800 × 800 的图从 72 PPI 改成 300 PPI，屏幕上看起来一模一样，只是文件信息变了。真正影响清晰度的是像素够不够，真正影响加载速度的是文件体积。

行业里现在比较通行的做法，是做一张长边 2000 像素以上的高分辨率母版，再由母版向下导出各个平台的规格图，避免反复放大造成的质量衰减。同时要留意"主体安全区"——各平台的展示容器比例不一样，如果主体贴边，在某些位置会被裁掉，或者被平台自己的角标、优惠贴遮住。我的习惯是在母版上拉两条参考线，把核心信息全部圈在中间八成的区域里，四周留出容错。

文件格式这块也顺带提一句：JPG 是有损压缩，日常够用；PNG 无损且支持透明通道；WebP 压缩率明显更高、体积小很多，但各平台支持情况不一致，上传前确认一下运营那边的要求。

三、把 AI 关进笼子：重绘幅度是整条链路的总开关

如果这篇文章你只记得住一个技术参数，我希望是这个。

不管你用的是节点式工作流、对话式生图工具，还是某个平台封装好的一键美化按钮，只要它涉及"基于一张已有图片生成新图片"，底层跑的都是同一套逻辑：图生图。而图生图里最要命的那个旋钮，在不同产品里叫法不一样——有的叫重绘幅度，有的叫降噪强度，有的直接写英文 denoise，有的干脆做成一个没有数值的"变化程度"滑块——但它们控制的是同一件事。

原理：先弄脏，再擦干净

按 ComfyUI 官方文档对采样器的描述，它的工作方式是根据设定的随机种子和去噪强度，先向原始图像数据添加噪声，再结合模型与正负向条件把噪声去掉，从而生成图像；文档里对 denoise 参数的说明是，数值 1.0 为完全去噪，数值越低越保留原始结构，因此更适合图生图场景。

用大白话翻译一遍：

模型没办法"看着你的图去修"，它只会"生成"。所以它采取了一个很取巧的办法——先按你给的强度往原图上泼一层噪声，把图弄脏；然后调动模型的全部能力，把这团脏东西重新"猜"回一张清晰的图。

关键就在这里：泼下去的噪声越多，被盖住的原始信息越多，模型能自由发挥的空间就越大。 噪声泼得少，原图的结构还清晰可辨，模型只能在细节层面做微调；噪声泼得多，原图几乎被糊掉，模型基本是在重新画一张，只是大致参考了原来的构图。

所以下面这两句话是等价的，但第二句更接近事实：

• 通俗说法：重绘幅度越大，变化越大。
• 准确说法：重绘幅度决定了模型从第几步开始接手，幅度越大，模型接手得越早，你的原图话语权越小。

用纯文本写成关系式大概是这样：

有效重绘步数 ≈ 总采样步数 × 重绘幅度

原图信息保留度 ≈ 1 − 重绘幅度

当 重绘幅度 = 1.0 时，等价于纯文生图，原图仅提供尺寸参考
当 重绘幅度 → 0 时，输出 ≈ 原图，模型几乎不介入

理解了这个，你就能解释一大堆看起来玄学的现象。为什么产品修着修着形状变了？幅度开高了。为什么人像修完不像本人了？幅度开高了。为什么调低幅度以后瑕疵又修不干净了？还是这个原因——你既要它别动结构，又要它大幅修复，这两个诉求在同一个旋钮上是互斥的。

互斥就意味着要分步。 这是我整条工作流的设计起点：与其在一个环节里拧巴，不如拆成两个环节，一个负责大改，一个负责收尾。

我的档位表：拿去直接用

下面这组数值是我自己跑下来的经验区间，不同模型、不同工作流会有偏移，但量级是相通的。建议你在自己常用的工具上做一次标定，把表里的数字换成你自己的。

┌──────────────────┬─────────────┬────────────────────────────────┐
│ 场景             │ 建议幅度    │ 说明                           │
├──────────────────┼─────────────┼────────────────────────────────┤
│ 人像皮肤质感优化 │ 0.20 到 0.26│ 超过 0.3 五官开始漂移          │
│ 人像大幅改善     │ 0.26 到 0.30│ 已是红线，务必对比原图五官     │
│ 融图后拼缝修补   │ 0.20 到 0.30│ 只动局部，配合蒙版回贴         │
│ 产品精修收尾     │ 0.70 到 0.80│ 输入需为结构完好的半成品       │
│ 产品粗修         │ 交给对话式  │ 结构破损、重度污渍走自然语言   │
│ 放大后的细节重绘 │ 0.20 到 0.30│ 幅度越低，与原图差异越小       │
└──────────────────┴─────────────┴────────────────────────────────┘

有个反直觉的点要提醒：产品和人像的安全区间几乎是反过来的。

人像为什么必须压到 0.3 以下？因为人脸是这个世界上人类识别精度最高的图形，眉眼间距变化两个像素，你就会觉得"不像了"。而且这个不像是不可辩解的——客户不会跟你讨论技术参数，他只会说"这不是我们的模特"。

产品为什么敢开到 0.7 以上？因为产品的判断标准是"好看且结构合理"，只要瓶身没歪、Logo 没变、材质没错，光影怎么重新分布都不影响它是不是这个产品。而精修追求的恰恰是光影的重新分布。

但这条有个前提，而且是硬前提：送进高幅度精修的图，必须已经是结构正确、基本干净的半成品。 你拿一张包装被压扁、表面全是污渍的原图直接开 0.8，出来的东西大概率是另一个产品。高幅度不是用来救烂图的，是用来把好图变得更好的。

分辨率下限：1200 像素这条线

跟重绘幅度并列的第二个硬指标是输入分辨率。

我自己的操作底线是短边不低于 1200 像素，这个数字不是拍脑袋来的。图像生成模型在潜空间里工作，输入像素太少意味着可供参考的信息本身就不够，它只能"编"，编出来的细节没有依据，放大看全是糊的。就像让一个人根据一张模糊的老照片画肖像，画得再好也只是"像"，不是"是"。

但上限同样要管。多数工作流在单次处理超过 2K 的图像时会明显变慢，超过 4K 之后细节质量反而下降。所以我的处理区间基本固定在：

输入短边 ≥ 1200 像素          （低于此线，先做一轮放大）
单次处理长边 ≤ 2000 像素      （超过此线，速度与质量都开始劣化）
最终交付走分块放大与拼接      （详见第七节）

小图怎么办？先放大再修，不要直接修。这是顺序问题，不是选择问题——在一张 600 像素的图上修出来的细节，放大之后依然是 600 像素的细节被拉大，而在放大后的图上修，细节是按新尺寸重新生成的。

一次完整决策，写成伪代码

把前面的规则串起来，我脑子里跑的其实是这么一段流程：

def 处理单张图(原图):
    # 第一关：尺寸
    if 原图.短边 < 1200:
        原图 = 先做一轮放大(原图, 选择变化最小的放大器)

    # 第二关：质量分级，决定入口
    评分 = 人工判断(结构完整度, 污渍严重度, 光影可用度)

    if 评分 < 60:
        # 结构破损、重度瑕疵：用自然语言描述问题，大刀阔斧改
        原图 = 对话式模型粗修(原图, 提示词="修复结构，去除表面污渍，保持产品形态")
        评分 = 重新判断(原图)
        if 评分 < 60:
            return 打回重拍          # 有些图是真救不回来的，别硬撑

    # 第三关：精修收尾
    候选集 = []
    for i in range(5, 7):            # 固定出 5 到 6 张
        候选集.append(工作