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：
Auto-Retouch |
Style-Retouch |
Param-Retouch |
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：
- 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。
- 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。