AI 尺寸智能延展，简单来说，就是借助人工智能技术，对图像视觉内容的尺寸进行灵活扩展或调整，同时保持内容的质量、清晰度以及视觉效果不受损害，甚至实现画质提升的一种先进技术。
在AI高速发展的今天，在业务上为解决新车商业专题外层素材多而杂，需要人工逐张做适配的痛点，在之前传统的基础上我们做了大量的思考，让商业内容如何更好结合AI工具去提高效率，正是在这样的背景下，尝试定向化建立了kontext lora模型+工作流，打造适用于业务的工作流方式。为解决上述难题带来了新的曙光。
更多案例：
一、项目思路拆解
1. 分析需求
品牌给到的主视觉KV排版方式相对固定，布局方式有规律可循，例如：垂直转水平/水平转垂直/水平转水平/垂直转垂直等。我们在规律中寻找破局方法。
2. 实现方式
工具：
libulibu线上实现方式：锁定特定场景要求的lora模型训练— kontext工作流。让lora学会某种底模不会或不够精准的特定能力，并为其设定一个启动的提示词开关，制作为我们需要的kontext lora模型和工作流。
3. 设计过程
1. Kontext Lora模型训练
kontext优势：速度快、简单高效、支持文字修改排版、布局，图形编辑能力。
lora：是一种体量较小的微调模型，串联在模型管道中间使用（例如加载器和采样器之间），从而实现特定功能，增强大模型能力。
kontext lora模型训练方式：以组为单位（输入图像+输出图像），通过多组图片和文本文件（打标提示词），让模型多次琢磨每组图片的规律来形成特定能力（例如换脸、换装、换风格、换角度排版等），我们需要排版的能力正好可以满足。
2. 素材收集打标-训练-测试
素材收集+打标
思路：提示词+原图+结果图（原图和结果图形成一个图像编辑规律，转换的过程，所有图片的变化规律必须是相同的）
我们在这里准备了27/60组混比例的日常工作用图进行测试（越多越好，不超过100组）、前图是_R后缀，_T后缀
消耗算力与训练步数有关
27组-6646点算力（2000步）-预计1-2个小时训练完成60组-29907点算力（9000步/150步每组）-预计3-5小时训练完成1000个算力约可生图1000张，或训练5次。按照生图默认参数、或训练基础参数预估（即训练图片张数20张*单张训练次数15*训练轮数10）
打标技巧
打标核心：设定一个触发词&句（一般是功能性提示词），详细的描述图片的内容（注意是输出图），打标要用英文。
根据我们之前锁定的规律，将关键词设定为：将水平布局转为垂直布局/将垂直布局转为水平布局/保持垂直布局不变/保持水平布局不变。其他可根据关键词情况进行补充/删减调整。
eg：将水平布局转为垂直布局，移除文本，保持元素不变，不出现拉伸。
训练发布：
公开/非公开（60组/27组）
lora测试工作流
模型强度参考：0.7~1.2，步数：20~42
基础算法：Kontext
搭配：F.1 Kontext dev_fp8
功能描述：多尺寸适配
关键词参考：将垂直布局转换为水平布局，缩放主题，删除文本，保持其他元素不变。
二、设计目标落地
- 利用自己炼制的Kontext尺寸适配模型+工作流提升业务素材产出效率
- 商配项目中已经10%素材经过AI处理提交
- 20%经过AI赋能约节省0.5-1个工作日
- 实现等比素材批量处理+车型亮点素材批量处理
案例：比亚迪系列商配效果
10款车型X10个页面链接，10张头图KV+1:1导读图
参数设置：
- 模型强度：0.7，步数：42，降噪：1
- 模型使用：60组/27组尺寸拓展模型
AI帮我快速处理图片尺寸和文案消除，方便统一进行二次调整，节省了部分重复修图的时间。
1:1导读图
落地页导出分享的等比素材图（要求不高，可批量产出）
关键词：
（其他根据出图情况进行调整）
批量生成10张素材交付
落地页外链网站+文章配图素材展示
AI帮我快速处理图片尺寸和文案消除，方便统一进行二次调整，节省了部分重复修图的时间。
总结
AI尺寸智能延展技术的试验显著提升了部分工作内容的效率。尽管目前该技术在技术层面和应用层面还面临着一些挑战与限制，如对低质量图像的处理效果欠佳、模型和训练数据质量的影响、以及应用的专业门槛等。
但随着人工智能技术的不断进步与创新，这些问题有望在未来得到有效解决。未来AI 尺寸智能延展技术将在技术突破和应用拓展方面实现更大的飞跃。在技术上，通过模型优化和数据处理能力的提升，它将能够应对更加复杂和多样化的图像与视频处理需求，生成更加逼真自然、高质量的延展内容；创造出更多令人惊叹的应用场景和商业价值。
免责声明：文章中涉及的设计素材和品牌来源均为业务合作。
欢迎关注「58UXD」的微信公众号：
