AI生成的人像为什么”太完美”?皮肤与毛孔的频率缺口

AI
人像有个很容易说清却很难修的毛病:五官挑不出错,皮肤却像打了蜡——没有毛孔、没有细纹、没有那点不匀的油光,一眼就能看出是生成的。有人归因为”磨皮开太大”,于是去调锐化,结果只是把塑料感磨得更亮。

真正的差别不在”锐不锐”,而在图像的高频成分缺了一整段。把画面拆成频率来看,这个现象就完全可解释了,也就能对症下药。

第一步:一张脸由不同频率叠出来

用信号处理的角度看,人像可以粗略分三层:

  • 低频:脸型、明暗结构、大块肤色,决定”像不像这个人”;
  • 中频:五官边缘、发丝走向、法令纹、腮红过渡;
  • 高频:毛孔、皮屑、汗毛、细纹,以及相机本身的传感器噪点与胶片颗粒。

真实照片里,高频层是连续存在的,哪怕肉眼不刻意看,它也提供了”这是拍出来的”的质地线索。生成模型最擅长低频(结构准确),中频尚可,高频最容易被抹平——于是结构对、边缘干净、皮肤却像一层均匀涂层。

第二步:扩散模型的每一步都在”往干净里走”

扩散生成是从噪声出发,一步步预测并去掉噪声,逐渐收敛到一张图。问题在于:高频细节和噪声在数值上长得很像。去噪网络很难区分”该保留的毛孔”和”该去掉的随机颗粒”,倾向于两者一起压掉,输出一个更平滑、更符合训练分布均值的结果。

再叠加两个机制:

  • 潜空间压缩:主流模型不在像素空间直接生成,而是先用
    VAE 把图压到 1/8 分辨率的潜空间(512×512 的图对应 64×64
    的潜变量),一个潜变量要代表 8×8 个像素。VAE
    重建天然偏向保低频,细到亚像素级的皮肤纹理在这一步就被牺牲了;
  • CFG 偏高:引导系数越大(常见 7 以上,尤其
    10~15),画面越贴合提示词、色彩越饱和,同时对比度被拉高、纹理被”熨平”,塑料感更明显。

所以”太完美”不是审美问题,是几层机制叠加后的系统性结果。

第三步:训练语料本身就是”精修过的脸”

生成模型学到的是数据分布。人像类训练图里,商业摄影、修图后的人像、美妆广告占比很高,这些图本来就做过磨皮与频率平滑。更关键的是偏好对齐环节:人工打分普遍更偏好干净、均匀、无瑕疵的皮肤,模型在
RLHF / DPO 之类的偏好优化后,会进一步往”无瑕”方向收敛。

结果就是:模型不只是”不会画毛孔”,而是被奖励去不画毛孔。这一点决定了单靠提示词写
“skin pores, realistic texture”
往往收效有限——它在和整个偏好方向对抗。

第四步:后期环节会再抹一次

即使生成阶段保留了部分高频,常见的后续操作还会继续削减:

  • 面部修复 / 人脸增强插件: fidelity
    权重设高了会强力平滑,适合修崩坏脸,不适合保留肤质;
  • 整体超分:放大模型的对抗损失容易把皮肤补成均匀的”细腻”层;
  • 局部重绘与二次降噪:denoise
    强度越高,重绘区域和原图的频率越不一致,拼接处尤其明显。

可操作的结论

对症的思路是分层补高频,而不是全局加锐化:

  1. 生成阶段留余地:CFG 降到 5~7,采样步数
    25~35,别用过高的引导去”逼”细节;提示词里加 film grain、35mm、natural
    skin texture、subsurface scattering 这类指向真实质地的词,同时把 “smooth
    skin, airbrushed, plastic” 放进负向。
  2. 放大后做局部高频回填:用局部重绘只作用于皮肤区域,denoise
    控制在
    0.3~0.45,让毛孔层重新长出来;眼睛、嘴唇、发丝单独处理,避免全脸同强度。
  3. 面部修复调低保真权重:fidelity / identity
    权重往中间值靠(如 0.5
    附近),优先保五官一致,别让它顺手把皮肤也磨一遍。
  4. 后期补一层真实噪点:在合成末尾加极轻的单色颗粒(强度约
    2%~5%,颗粒半径
    0.5~1px)或轻微胶片颗粒,让皮肤和背景处在同一噪声分布里。这一步对”一眼假”的改善常常最立竿见影,因为真实相机噪声是全画面一致的,而
    AI 图的皮肤往往”太干净”。
  5. 别用全局 USM
    锐化
    :锐化放大的是已有的边缘,补不出不存在的毛孔,反而会产生白边和光晕。
  6. 验收用 100% 放大 + 灰度检查:把图放大到 1:1
    看颧骨、鼻翼、额头的纹理是否连续;再转灰度看高光过渡——真实皮肤的高光是渐变的、带微小斑驳的,涂层式高光则是一片光滑的亮带。

一句话收束:“太完美”是高频层被系统性抹平的结果,而抹平发生在去噪、潜空间压缩、语料偏好和后期四道环节上。修法是分层、局部、低强度地把质地加回来,并让噪点在全画面保持一致。

在 AIGC广告
的人物镜头交付里,肤质通常单列一项验收:生成、放大、修复各留一个可回退的图层,最后统一补颗粒,避免某一环节把高频一次磨光。选
AIGC制作公司 时也可以直接看 1:1
截图的鼻翼和额头细节——能把这层质地讲清楚的团队,往往也真的把整条后期链路跑顺了。

相关文章

  • 微电影制作公司AI降本增效

    微电影制作公司如何用AI降本增效:从分镜到成片

    内容目录 分镜与预演:最省钱的一环拍摄环节:实拍更聚焦,AI补空缺后期与多版本:一条母带吃全渠道结语 微电影一直是品牌内容里最”贵”的形态:要叙事、要表演、要情绪,时长又比TVC长得多。一支八分钟的微电影,传统预算通常在六位数往上。但2026年的市场给出了新解法——头部微电影制作公司普遍引入AI管线后,同等质感的交付成本下降了三到五成,周期从三个月压缩到六周以内。降本不是靠偷工减料,而是把AI用在了对的位置。我们从分镜到成片拆开来看。 分镜与预演:最省钱的一环 微电影最烧…

    灵动观点 2026年10月26日
  • 多模态大模型视觉编码器原理示意,AIGC广告技术解析

    多模态大模型是怎么”看图说话”的?视觉编码器入门

    内容目录 第一步:图片先被切成”词”第二步:视觉编码器把方块变成”有含义的向量”第三步:投影层把视觉向量”翻译”成语言模型能读的输入第四步:分辨率决定它”看多细”第五步:为什么空间关系总出错可操作的结论 多模态大模型是怎么”看图说话”的?视觉编码器入门 拿一张商品图去问多模态模型:”图里有几个瓶子?”它答得挺准。换个问法:”从左数第三个瓶子在第二个的左边还是右边?”它开始含糊,甚至答反。同一张图,同一个模型,为什么一个能答一…

    爱上学习 2026年10月31日
  • 华大智造

    华大智造

    赞微海报分享

    AIGC作品 2024年12月12日
  • 从零到一:新手指南!如何高效规划视频广告制作流程

    从零到一:新手指南!如何高效规划视频广告制作流程

    随着互联网技术的飞速发展,“直播+视频广告”模式正逐渐成为品牌营销的新战场,为TVC制作公司、宣传片制作公司、广告片制作公司、整合营销公司以及快销品广告制作公司带来了前所未有的机遇。本文将深入探讨这一趋势,特别是在实时互动领域,如何结合AIGC(人工智能生成内容)技术,开创广告传播的新篇章。 一、直播:实时互动的新维度 直播以其即时性、真实性和高度互动性,为观众提供了沉浸式的观看体验,成为品牌连接消费者的新桥梁。TVC制作公司可借此机会,将传统广告的精良制作与直播的即时反馈相结合,创造更具吸引力…

    灵动观点 2024年6月24日
  • 图生视频和文生视频差在哪?什么时候该用哪条技术路线

    图生视频和文生视频差在哪?什么时候该用哪条技术路线

    内容目录 第一步:理解两种输入的本质差异第二步:看清楚各自的控制链路第三步:理解各自的短板第四步:按内容类型选路线结语 图生视频和文生视频差在哪?什么时候该用哪条技术路线 同一个产品图,用图生视频跑出来运镜流畅、产品不变形;换成文生视频,画面倒是更有想象力,但瓶身上的logo十次里有八次被”画歪”。很多人把这归结为模型运气不好,其实是两条技术路线在工作方式上有本质区别。搞清楚区别,才知道项目里该把哪条路线放在前面。 第一步:理解两种输入的本质差异 文生视频的输入是一段文字…

    爱上学习 2026年10月29日
  • 不能喝牛奶试试软牛奶

    不能喝牛奶试试软牛奶

    赞微海报分享

    AIGC作品 2026年7月14日
免费垂询
在线咨询
企微咨询
企微咨询
顾问名片
顾问名片
看视频号
看视频号
分享本页
返回顶部