VeraRetouch多任务推理照片修图框架SIGGRAPH2026

手机摄影已经是日常标配了，不过，拍完的照片真的就“成片”了吗？大多数时候，修图才是真正让一张照片“出彩”的关键。很多人应该都有这种体验：一张照片光线不透、肤色不够正，总想顺手调一下。但专业修图软件，光一个曝光、对比度、色温的组合就足够让人头疼了；而一键滤镜又往往过犹不及，要么“味儿太冲”破坏细节，要么千篇一律地修成同一种风格。

为了解决这个问题，来自 vivo BlueImage Lab、浙江大学 CAD&CG 全国重点实验室、之江实验室以及中国科学院大学联合团队，提出了一项名为 VeraRetouch 的新研究工作。这项工作入选了 SIGGRAPH 2026（第53届国际计算机图形学与交互技术顶会），核心是构建了一个轻量、全可微分、并且能在移动端部署的多任务推理式照片修图框架。

核心思路，其实挺有意思的： 让大模型不再只是“说怎么修”，而是真正“会修”。研究团队把 0.6B 参数量级的视觉语言模型（VLM）当作“修图大脑”，配合一个全可微分的 Retouch Renderer 作为“修图执行器”。这样一来，高层语言意图——比如“想要一张温暖秋日感的照片”——就能被直接转化为低层像素级的调整，整个过程完全在可微分的框架内闭合，确保最终结果在保持图像结构与细节的同时，实现专业化的色调与色彩优化。

01 全新框架：让大模型真正“会修”像素

传统的自动修图方法，大多像一个黑盒：输入照片，输出结果，中间缺少明确的审美分析与调整逻辑。后来出现的推理式修图方法，引入了多模态大模型，让模型能分析照片问题、给出修图步骤，然后再调用外部工具（比如 Lightroom、Photoshop）来执行。

这条路线更接近人类修图师的工作方式，但有个核心瓶颈：外部修图软件通常是不可微分的。 模型生成的参数到底能不能带来更好的像素结果，很难通过端到端训练直接优化。

VeraRetouch 的关键创新就在于，它不再把专业修图工具当外部黑盒，而是用全可微分的 Retouch Renderer 替代传统的调色与调光操作。这样，模型不仅能“推理出该怎么修”，还能通过直接的图像监督去学习“怎样修才真的好看”。

具体怎么做？团队把修图空间拆解成了三个相对独立的控制维度：

• Lighting： 曝光、阴影、高光等光照相关的调整。
• Global Color： 色温、色调、整体颜色倾向等全局色彩调整。
• Specific Color： 针对红色、橙色、蓝色等特定颜色通道的精细调整。

这种拆解与专业修图流程高度一致，也让模型的输出更可解释、更稳定。

图1：Retouch Encoder 从参考图像对中提取光照、全局色彩和特定色彩控制 latent，Retouch Renderer 再将这些控制信号映射到像素级修图结果。

02 三种任务：从“一键变好看”到“按你说的修”

VeraRetouch 面向真实用户需求定义了三种典型的修图任务：

图2：VeraRetouch 支持自动修图、风格修图与参数修图三类典型工作流。

• Auto-Retouch： 用户只需要输入一张照片，模型自动分析画面中的光影和色彩问题，并生成修图方案。这是最常见的“一键优化”场景，目标是提升整体观感，而不是套滤镜。
• Style-Retouch： 用户可以用自然语言描述想要的风格，比如“温暖秋日感”、“冷调日系透明感”、“暗调情绪胶片风”。模型会结合图像内容和文本意图，推理出具体的调色方向。
• Param-Retouch： 模型可以根据明确的参数指令进行修图，例如对比度、曝光、色温、饱和度等。这更接近专业场景下的精确控制。

简单说：它能“自己看图修”，也能“听懂你想要的风格”，还能“按参数执行”。

03 数据问题：百万级专业修图数据集是如何炼成的？

高质量修图模型离不开高质量数据，而专业修图数据向来稀缺。已有的数据集规模有限，且很难覆盖真实用户复杂多样的风格需求。

为此，研究团队构建了 AetherRetouch-1M+，一个百万级多任务专业修图数据集，覆盖前面提到的三类场景。这个数据集的构建思路很有意思：

• 自动修图： 团队采用了一个“反向退化”思路。先从高质量照片出发，把它们视作“已修好”的结果，再基于专家修图对中色彩与光照的变化，反向生成更像原始照片的“未修图”版本。这样可以在保留真实内容结构的同时，构造大量具有真实缺陷的训练样本。
• 风格修图： 团队整理了 5,030 个在线风格预设，覆盖 11 个大类和 193 个细分子类，并借助视觉语言模型为图像匹配合适风格，再生成多样化的用户指令。
• 参数修图： 围绕光照、全局色彩和特定色彩三类操作随机采样参数组合，生成可用于精确控制训练的数据。

更进一步，数据集中还加入了结构化推理过程：模型不仅学习“输入到输出”，还要学习“为什么要这样调整”，包括画面内容分析、原图问题诊断以及对应的修图计划。

图3：AetherRetouch-1M+ 覆盖自动修图、风格修图与参数修图三类任务。

04 技术核心：小模型也能做专业推理修图

VeraRetouch 基于 FastVLM-0.5B 构建。输入图像经过视觉编码器转成视觉 token，用户指令经过文本编码器转成 prompt token，随后多模态语言模型生成结构化推理内容。为了让推理结果真正驱动像素调整，团队设计了专门的 retouch tokens，分别对应光照、全局色彩和特定色彩三个控制维度。模型最后一层的 hidden state 会被送入 MLP Retouch Adaptor，对齐到 Retouch Renderer 可理解的连续控制 latent，再由 Retouch Renderer 输出最终修图结果。

图5：VeraRetouch 整体框架。输入图像与用户指令经过轻量 VLM 生成结构化推理与控制 latent，再由 Retouch Renderer 输出最终修图结果。

这套设计带来两个重要优势：

1. 它避免了模型推理时对外部修图软件的依赖。整个修图过程在模型内部完成，并支持端到端像素级训练。
2. 它比大型生成式图像编辑模型更轻量。VeraRetouch 的总参数量约为 0.63B，远小于 Flux.1 Kontext、Qwen-Image-2509、MonetGPT、JarvisArt 等基线方法，这也让它更接近移动端实际部署的需求。

为了进一步提升审美表现，团队还提出了 DAPO-AE 后训练策略，通过格式奖励、图像相似性奖励和审美奖励，引导模型在保持指令一致性的同时，生成更自然、更符合人类美学偏好的修图结果。

05 实验结果：质量、速度与可部署性同步提升

实验结果显示，VeraRetouch 在多个基准上取得了领先表现：

• 自动修图： 在 FiveK-Bench 上，VeraRetouch-DAPO-AE 达到 26.85 dB PSNR，相比 Flux.1 Kontext 提升 1.08 dB，同时在 SSIM、LPIPS 和多项直方图一致性指标上表现突出。
• 风格修图： 在 Aether-Bench 上，VeraRetouch 在 PSNR、SSIM、LPIPS、DISTS、GMSD 和 Texture Distortion 等指标上均取得最优或领先表现，说明它不仅能跟随风格指令，也能更好地保留原图结构与纹理细节。
• 参数修图： VeraRetouch 的 PSNR 达到 30.18 dB，明显超过微调后的扩散模型基线，展现出对精确修图参数的强执行能力。不过论文也提到，由于数据构造时采用了联合高斯分布进行参数采样，模型在执行分布外参数时可能会出现一些不一致的情况。

在速度方面，VeraRetouch 在 H20 GPU 上处理一张 512p 图像仅需6.90秒，快于 Flux.1 Kontext 的 16.78 秒和 JarvisArt 的 14.31 秒。更重要的是，它在消费级设备上也具备部署潜力：未经量化的版本在 MacBook Air M4 上约7.46秒，在 iPhone 16 Pro 上约13.56 秒即可完成自动修图。

38 名参与者的用户研究也验证了这一点：在视觉美感、指令一致性和纹理保持方面，VeraRetouch 都获得了最高评分。DAPO-AE 后训练带来了明显的人类偏好提升，在对比实验中获得61.62%的偏好率。

06 技术核心：小模型，也能做专业推理修图

（注：原标题为“技术核心：小模型，也能做专业推理修图”，为保留原文结构，此处保留原章节标题。）

VeraRetouch 的意义不只是提出了一个全新的修图模型，而是把推理式修图从“模型生成参数、外部工具执行”的松散流程，推进到了一个轻量、可微分、可端到端优化的统一框架中。

它让模型能够同时理解图像内容、用户意图和专业修图逻辑，并通过可解释的光照、全局色彩、特定色彩控制 latent 完成像素级调整。配合百万级的 AetherRetouch-1M+ 数据集，VeraRetouch 展示了小模型在专业影像任务中的巨大潜力。

这项工作有望服务于多种真实影像场景：

• 日常拍摄： 一键获得更自然、更耐看的照片效果。
• 社交分享： 根据语言描述快速生成符合内容氛围的风格图。
• 移动影像： 为端侧智能修图和手机影像后处理提供新的技术路径。

当然，论文也指出，当前模型在局部修图能力上仍有提升空间。未来若进一步引入像素级 mask 机制，VeraRetouch 有望支持更灵活的区域化编辑——例如只提亮人物面部、只调整天空色彩，或只优化背景氛围。

从“一键滤镜”到“推理式专业修图”，照片后期正在从工具门槛走向更自然的交互。VeraRetouch 正是在这个方向上，提供了一个值得关注的新解法：让手机真正理解一张照片到底该怎么变好看。

原文来自 vivo BlueImage Lab，本文已清除原文章中的推广及外部链接信息。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：VeraRetouch多任务推理照片修图框架SIGGRAPH2026要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题