AI 生图"物理错误质检 → 自动重做"方案调研报告

2026-07-25 · 背景：petmoji 批量生成宠物表情包时偶发物理错误（黏土三花猫举爪那条前腿消失、身体悬空），希望在流水线里加一道"生成后自动质检，不合格自动打回重画"。三个并行调研方向：商用 API / 视觉大模型裁判 / 开源检测模型。

#一句话结论

市面上不存在能检测"缺腿/悬空/解剖错误"的现成商用 API；开源模型几乎全是针对人体/人手的，不适用宠物；最可行的方案是用便宜的视觉大模型（VLM）当裁判，接进 petmoji 做"生成 → 检查清单判定 → 不合格带原因重画（最多 2 次）"的闭环。质检成本约每张不到 1 分钱，相对 ¥0.02/张的生图费可忽略。

#方向一：商用 API —— 没有这种产品 ❌

为什么没有：需求太垂直（要懂目标物种的解剖结构 + 3D 空间关系），厂商没有商业动力做成标准 API；学术界有相关研究但未产品化。

• 内容安全类（绿网等）只管涉黄涉政，与画面质量无关。

#方向二：VLM 当裁判 —— 可行，推荐 ✅

核心范式：不问"这图有没有问题"（开放式问题误判率高），而是给视觉模型一份固定检查清单，逐条回答是/否，输出 JSON，任一条不过即打回。

已验证有效的技巧：

1. 逐项检查清单比一句话总体判定误判率低 15~20%。示例：
   • 这只猫/狗能看到几条腿？先描述每条腿的位置再回答。
   • 所有腿都接触地面或物体吗？身体是否悬空？
   • 头和身体的连接是否自然？有没有多余/融合的肢体？
   • 是否出现人手、人的姿态、直立行走等拟人化错误？
   • 毛色斑纹与参照图（定妆照）是否一致？
2. 给参照图（原照片或定妆照）做锚点，准确率提升 20~30%。
3. 限制输出格式：{"passed": bool, "reasons": [...], "confidence": 0-1}，便于脚本解析。
4. 多模型投票（2~3 个 VLM 并行判定）可再压误判，但成本翻倍，量大再上。

能力边界（务实预期）：

• 明显缺陷（缺腿、悬空、拟人化）能抓到 ~70%；
• VLM 数数是弱项（计数类准确率约 65~75%），所以清单要写"先描述位置再数"；
• 细微问题（比例微歪、解剖细节）捕捉率只有 40~60%，别指望全自动完美。

成本：用 gemini-flash / qwen-vl-plus 级别的便宜视觉模型，单张判定约 ¥0.002~0.01。petmoji 全量一批 81 张 → 质检总成本几毛钱。

防成本失控：设"最多重做 N 次"（建议 2 次）上限，仍不过就标记留人工；重画时把失败原因拼进提示词（如"上次生成缺一条前腿，本次必须四腿齐全且全部落地"）。

#方向三：开源检测模型 —— 对宠物场景不适用 ❌

结论：宠物 + 九种风格化（黏土/像素/水墨…）的组合没有任何现成开源检测器；自己训练一个的成本远超收益。此路排除。

#落地方案（待实施）

petmoji 生成一张图
   ↓
qc_check()：图 + 定妆照参照 → 云雾便宜视觉模型 + 固定检查清单 → JSON 判定
   ↓ passed=false
把 reasons 拼进提示词重画（最多 2 次）
   ↓ 仍不过
文件名标记 _待人工，落盘不丢弃

要点：

• 定妆照阶段也要过质检——定妆照坏了，下游 8 张动作图全坏；
• 模型选云雾中转里的便宜视觉模型（gemini flash / qwen-vl 级别），一把 key 已有，无需新开账号；
• 上线前先拿已有批次（好图+翻车图混合）做离线测试，确认判定准确率再启用；
• 三花猫翻车图（举爪腿消失、身体悬空）属于该方案最能稳定抓住的缺陷类型。

#风险与缓解

来源：沉淀/02-AI与API/AI生图质检API调研报告.md（整理于 2026-08-18）