任务类型与图像表示
本节目标
先回答两个问题：你要模型做哪类任务，以及交付物到底由什么组成。任务说错，后面的提示再漂亮也难以验收。
从像素开始理解
数字图像是规则网格。每个格子是一个像素（pixel），通常记录红、绿、蓝三个通道的数值；带透明背景时还会有 alpha 通道。1024 × 1024 描述像素网格，不代表打印尺寸，也不保证画面清晰。宽高比（aspect ratio）是 宽 ÷ 高，它决定横版、竖版或方图的构图空间。
模型通常不会直接在最终大图的所有像素上反复计算。很多系统先把图像压缩到潜空间（latent space）：一个保留主要视觉结构、尺寸更小的数字表示，生成后再由解码器还原为像素。潜空间像“设计草图”，不是能被人直接观看的图片。
六类常见任务
| 任务 | 输入 | 输出 | 关键验收 |
|---|---|---|---|
| 文生图 | 文本 | 新图 | 提示遵循、构图、质量 |
| 图生图 | 图像 + 文本 | 保留部分结构的新图 | 与输入相似度、修改幅度 |
| 局部重绘（inpainting） | 图像 + 遮罩 + 文本 | 只替换指定区域 | 边缘融合、未遮罩区保持 |
| 扩图（outpainting） | 图像 + 新画布范围 | 向外补全 | 透视、光照、纹理延续 |
| 变体 | 图像 | 同主题多个版本 | 多样性与身份保持 |
| 超分辨率/修复 | 低清或受损图 | 更清晰版本 | 细节提升且不虚构关键事实 |
遮罩（mask）是一张与输入对齐的黑白或透明度图，用来指出“允许改哪里”。不同 API 对黑白含义、尺寸和格式的约定可能相反，接入前必须读当前文档并做小样测试。
需求澄清模板
不要只收集“画一张未来城市”。至少询问：用途与受众、画布比例、主体与动作、必须出现/禁止出现、文字是否要准确、参考素材权利、可接受的编辑范围、交付格式、尝试次数与人工审批人。每份参考素材还应有 asset_id、source_revision、允许用途和对象级授权/ACL；先授权再让评审器、模型或 Agent 读取。对新闻、医疗、证件或科学证据等用途，还要问“是否允许合成”，不能把生成图当事实记录。
常见错误与排查
- 把格式当质量：PNG 不自动比 JPEG 清晰；它们是编码选择。
- 忽略下游裁切：先确定投放比例，再构图，否则关键主体会被平台裁掉。
- 用生成做无损恢复：生成式修复会补出“看似合理”的细节，不能宣称还原了真实信息。
- 编辑范围不清：记录遮罩版本与“不许改变”清单，抽查未编辑区域。
- 把输出当证据：生成画面可以是示意或创作材料；只有独立证据能支持的外部事实才可标为
evidence_supported。
练习与自测
- “把商品图背景换成海滩，商品本体不变”属于哪类任务？需要哪些输入？
- 竖版
1080 × 1350的宽高比是多少？为什么不能直接写成4:5后就忽略像素尺寸？ - 为“修复模糊车牌”写出一条风险说明。
能清楚区分任务、输入和验收对象后，再进入 扩散与自回归直觉。
参考资料
- OpenAI Image generation guide（生成与编辑接口示例；核对于 2026-07-22）
- High-Resolution Image Synthesis with Latent Diffusion Models