【首度揭秘】淘宝2025春晚云参演证背后的AIGC技术

• 批量模板生产prompt 工程

• 工作流程：

• 首先，收集一批具有准确语义和明确场景的高质量图片。

• 使用这些图片，通过反向推理和大型语言模型（LLM）扩展生成大量精确的文本描述，作为模板生产的基础。

• 挑战：

• 春晚项目涵盖多种类别，文本提示（prompt）需要覆盖九种类型，且每种类别内部需包括丰富的人物妆造、服饰、动作、道具和构图元素。

• 很难找到既语义准确又满足高清完整要求的图片。有的图片背景合适但前景人物混乱，有的前景合适但背景人物杂乱，这些都使得直接反推的文本提示难以使用。

• 解决方案：

• 为了实现批量化、多样化、并确保可玩性和广泛传播性，算法团队通过 qwen-VL-max 模型，应用多种 prompt 技术，如反推、分段、改写、扩展和组装：

1. 整体反推：对完整的参考图片进行文本反推。

2. 单点反推：针对图片中的特定元素如衣服、动作或背景进行反推。

3. 直接改写：对已经反推出的文本提示进行改写。

4. 拆解提示：将完整的文本提示拆解为面部、服饰、动作、背景及其他质感组件。

5. 扩展与组装：对单个元素进行扩展改写，并通过多样化组装形成丰富的提示集合。

通过多组自动化的 prompt 改造流水线，我们能够大规模生产满足模板生成需求的文本提示，这为批量模板生图提供了基础。

• 图片修复技术

生成的AI图像在细节上常存在诸多问题，需要进行后处理修复来提升画面的合理性，从而确保在终端市场赢得良好口碑，提高用户的保存和传播率。为此，我们的算法团队构建并升级了一整套模板图片的修复流程，包括文字擦除、局部擦除、图像延展、图像重绘、手部修复及图像清晰化等。通过这些精细的后处理技术，我们确保AI生成图像的质量更符合用户的期望，从而带来更高的用户满意度和更广泛的传播效果。

a. 手部修复 。 手部绘制始终是AI生成图像中的一大挑战 , 手部崩坏会极大降低模板图成图率和优图率， 我们利用inpaint技术、LoRA微调技术和ControlNet技术，开发了专用于春晚的手部修复模型，手部修复成功率超过90%。在模板图的生产过程中，手部修复被整合至图片后处理阶段，以显著提升成图率和图像质量 .

原始图	修复图	原始图	修复图

通过这些精细的后处理技术，我们确保AI生成图像的质量更符合用户的期望，从而带来更高的用户满意度和更广泛的传播效果。

• 审核链路完善

• 成图率优化

• 通过与业务和产品团队的紧密协作，算法团队得以迅速完成第一轮粗审核和第二轮详细审核，确保选择的图片不存在结构性问题（如人物四肢、道具和背景的崩坏）。
• 通过多轮出图策略优化与修图策略优化，模型生成图片的成图率大约在3~4成之间。我们设立了专门的图片审核工具和专业标准。

• 优图率提升

• 提升图片的优图率涉及专业的审美和排序标准。关键在于了解什么样的图片符合C端用户的审美，哪些图片的保存率更高。
• 我们的算法团队通过多轮与业务和产品的深入沟通，建立了一致的优选标准和高效的审图流程。
• 在进行图片修复和换脸效果生成后，继续进行第三轮细致审核和最终的确认审核，以确保图片符合C端的美学标准，从而提高市场传播效果。