把一张人物海报放大到两倍,最先露出破绽的地方常常不是脸,而是手。手指多出一节、两根指头黏在一起、指甲长在关节背面——这类细节在缩略图里几乎看不见,一旦落到印刷尺寸就无处可藏。
这不是某一家工具的偶发失误。用过图像生成的人多少都遇到过类似的时刻:整体气氛对了,光影也说得过去,可视线一落到手、耳朵、鞋带、杯子的把手这些地方,画面就开始松动。
手为什么难
手的关节多、姿态组合多,还频繁自我遮挡,比例会随透视剧烈变化。它在画面里占的像素往往很少,却要承载大量结构信息,而生成过程并不会按“结构复杂度”来分配注意力。
另一层原因在语料。一张照片的配文可能只写“一个人站在窗边”,不会写“左手拇指压在食指第二关节上”。文字描述对手部的覆盖本来就稀疏,模型很难从中学到“手指必须依次相连”这类约束,只能学到手“大概长这样”。于是遇到模糊、侧影、遮挡的区域,它倾向于用纹理填过去。
还有反馈的问题。人看一张图,先看构图、色彩、脸,手是第二眼才注意到的区域。审美的判断偏向前者,纠错的信号也就来得晚。
“看起来对”和“结构上对”
图像生成擅长的是前者。它从噪声里逐步去噪,拟合的是像素分布的统计规律,而不是一套骨骼或几何规则。这让它在氛围、材质、光线这些统计性强的层面表现出色,却在需要严格拓扑关系的地方留下缝隙。
这也解释了一个常见困惑:在提示词里反复强调“完美的手”往往收效有限。问题不在语义层,模型并非没听懂,而是它没有可用来保证几何一致性的机制。
放到工作里看
结论并不悲观,但需要分清场合。
- 做情绪板、配色试验、构图草稿,手部的瑕疵基本不影响判断,图像生成在效率上的优势是实在的。
- 做需要放大、印刷、长期展示的物料,手部、文字、重复纹理这些区域要预留人工复核的时间。
- 涉及人物形象、产品结构、可核验信息的画面,生成结果更适合当参考,而不是终稿。
局部重绘、分层编辑能缓解一部分问题,但本质上是把纠错成本从“一次生成”挪到了“多次修改”。是否划算,取决于这张图最终要用来做什么,而不是取决于工具本身。
更值得留意的地方
我更在意的不是手本身,而是它提示的一件事:图像生成的进步常常以整体观感的形式被感知,缺陷却藏在局部。当这类工具越来越多地进入内容生产流程,判断标准也会从“像不像”慢慢转向“经不经得起细看”。对使用者来说,学会在哪个尺度上看图,可能比学会写更长的提示词更有用。