做视觉的同事最近抱怨了一件小事：一张已经定稿的图，只想把桌上的杯子挪个位置。改完，杯子的影子是对的，桌面的反光和整体色调却像换了个下午。重新修，修完又发现布料的褶皱逻辑变了。来回几次，最后还是用回最初那张，放弃了这次修改。
这种摩擦在日常使用里出现得比想象中频繁。图像生成看上去已经能一次给出很完整的结果，可一旦进入“改一点”的阶段，麻烦就来了。
它给的不是图层，是一次整体判断
习惯修图软件的人，脑子里默认有一套分层结构：主体、背景、光影、色调，各管各的。生成模型没有这样的中间表示。它做的是一次整体采样，像素之间彼此约束，共同构成一个它认为合理的画面。
于是当你在某个区域重新采样，模型并不真的理解“其余部分必须保持不变”有多重要。它只知道这块区域该长成什么样，然后按同样的整体一致性去补。结果就是局部单看没问题，接缝处开始漂移：光从哪来、景深到哪一层、笔触粗细如何，都会悄悄重算一遍。
能控制的部分，和控制的代价
- 蒙版局部重绘：把改动限制在一块区域内，但边缘过渡往往要再处理一轮，否则会出现一圈说不清的模糊。
- 结构化条件：边缘、深度、姿态之类的信息作为输入，能锁住构图，代价是前期得先准备好这些信息。
- 参考图与风格约束：能缓解风格漂移，不过这种约束是软的，细节上仍会走样。
- 固定随机种子：便于复现同一张图，可探索的空间也随之收窄。
这些手段的共同点，是把“生成”往“编辑”的方向拉。拉得越紧，模型自带的联想能力让出的空间就越多。很多人以为难点在画质，实际用下来，更费时间的往往是这种来回拉扯。
被忽略的中间产物
一个容易被低估的做法，是不要只把成品图当成交付物。分层导出、保留结构草图、记录生成时用的条件与参数，这些看起来琐碎的动作，决定了这张图后面还能不能被改。团队协作里最贵的不是出图那几分钟，而是别人接手后能不能在原有基础上继续推进。
从这个角度看，图像生成真正的价值或许不在“一次做对”，而在于它能不能嵌进一条可迭代的流程。只出结果、不留线索的用法，等于把编辑成本推给了下一个人。
还不太稳的地方
文字渲染、精确计数、品牌规范里那些苛刻的间距要求，目前仍需要人工兜底。涉及真实人物形象、商标元素或特定风格模仿时，也需要更谨慎地判断素材来源与使用边界，必要时加上标识说明。这些不是模型能力的问题，而是使用场景本身带着约束。
所以我对短期内的期待并不在画质再往上推一档。更值得投入的是可控性与可编辑性：让人能明确告诉它哪一部分不许动，也让人在改完之后，还认得出这是同一张图。在那之前，那只没挪成的杯子，大概还会继续留在桌面上。