一、项目背景

我们服务的某电商大促团队，每年大促前最头疼的就是商品场景图。过去靠外包拍摄：一个 SKU 拍 3 到 5 张场景图，几百个 SKU 就是上千张，外包周期要两到三周，费用高且常常赶不上节奏。他们去年试过直接拿文生图模型出图，速度上来了，但踩了两个大坑：一是生成的图经常踩合规红线（侵权素材、敏感元素、误导性场景），二是商品特征保真度差——生成的连衣裙领口和实物对不上，客服被问懵。我们进场的目标很明确：用 AI 把出图效率拉起来，同时把合规与保真这道关做硬，让 AI 出的图“快且可用”。

这个项目里，我们采用的 AI 私有化部署底座承担了模型推理与编排，AI 网关负责统一接入与计量，但真正的工程量在“生成—审校—去重—入库”这条流水线怎么搭才既快又稳。

二、落地场景

我们把整条流水线切成四个环节：

第一，文生图批量生成。运营在大促素材平台填商品主数据（品类、颜色、卖点）和场景模板（“夏日草坪野餐”“居家书房”），系统按模板批量调用模型出图，一个 SKU 默认出 4 张候选。

第二，自动去背景与合规审校。生成的图先过一道去背景（把商品抠出来换到干净底图），再过合规审校模型：查侵权元素、查敏感内容、查与商品主数据是否一致（比如生成图里的颜色与实际 SKU 不符就标红）。

第三，人工抽检入库。审校通过的图进入待审池，运营抽检约 10% 做最终确认，通过的图带元数据（模板 ID、生成参数、审校结论）入库到素材库，可一键推到我们采用的电商系统的商品详情页。

第四，生成批次一致性与去重。同一 SKU 多模板、多批次生成的图，做特征向量去重，避免素材库里堆一堆长一样的图。

三、关键技术挑战与解决思路

挑战一：商品特征保真与风格统一。 文生图最大的问题是“自由发挥”——领口、logo、配色常被改得不像实物。我们的做法是在生成阶段做约束：把商品主数据里的关键属性（颜色、版型、主体）拼进 prompt 的工程化模板，并对同一 SKU 锁定种子（seed）与参考图，多张候选图共享主体特征；同时在审校环节用图像比对模型，把生成图与实物参考图做相似度打分，低于阈值的直接打回重生成。风格统一则靠场景模板库，所有模板由设计同学预先标定光影与构图，模型只填空，不自由发挥。

挑战二：合规与侵权风险审校。 这是不能省的一环。我们叠了三层审校：第一层是敏感内容检测（基于内容安全模型，挡掉违规图）；第二层是侵权元素识别，对知名 IP、地标、品牌 logo 做检测，命中的图禁止入库；第三层是“与商品一致性”校验，生成图里的主体属性要能和商品主数据对上。三层里任意一层否决，图就回流到“待修改”队列，运营看审校结论改 prompt 或换模板重出。我们在 AI 网关侧给审校模型单独设了配额与限流，避免大促峰值把审校链路打挂。

挑战三：生成批次一致性与去重。 大促期间同一个 SKU 会被不同运营、不同批次反复生成，素材库很快膨胀。我们在入库前加了一道向量去重：把每张图过 embedding 模型得到特征向量，与素材库已有向量做近邻检索，余弦相似度高于 0.92 的判定为重复，只保留审校分最高的那张。这样既控制了素材库规模，也保证推送时不会连续出现雷同图。

挑战四：批量任务的吞吐与成本可控。 大促前集中出图，瞬时并发高。我们用 AI 网关的编排层做“先小模型粗筛、再大模型精修”的两段式：先用轻量模型快速出草稿，运营勾选满意的再走精修模型，避免所有图都烧最贵的算力。计量层按部门与活动沉淀 token 与费用账单，大促预算超额会自动熔断非核心活动的生成任务。

四、效果数据

大促素材生产跑了一个完整周期，上线前（纯外包/纯手调）与上线后（AI 流水线）对比如下（脱敏示意值）：

效率提升约 8 倍主要来自批量生成加自动去背景替代了人工拍摄与抠图；合规拦截率约 14% 意味着每百张图有约 14 张在入库前被拦下，把侵权与违规风险挡在了上线前；人工改图率从约 65% 降到约 20%，说明保真约束起作用了。

案例片段（已脱敏）： 图审校的正则与去重逻辑片段（已脱敏）： ```python

image_review.py (已脱敏)

import re

1) 侵权元素关键词命中（示意，真实库更大）

BANNED = re.compile(r"(某头部品牌LOGO|知名IP名称|受限地标)", re.I) def review(img_meta):    if BANNED.search(img_meta.get("tags", "")):        return "REJECT:infringe"    # 2) 与商品主数据一致性    if img_meta["color"] != img_meta["sku_color"]:        return "REWORK:color_mismatch"    return "PASS"

去重：余弦相似度高于阈值判定重复

def is_dup(vec, exist_vecs, thr=0.92):    return any(cosine(vec, e) > thr for e in exist_vecs) ```

案例片段（已脱敏）： 一段审校流水线的运行日志：text [batch=B-2207] sku=SKU8821 tpl=夏日草坪 生成4张  img_1 PASS  sim=0.41  img_2 REWORK color_mismatch(生成红/实物蓝)  img_3 REJECT infringe(命中受限地标)  img_4 PASS  sim=0.88->dup(与库内SKU8821_imgA相似) 丢弃 [batch=B-2207] 入库: img_1 仅1张通过, 运营抽检OK

五、可复用经验总结

这个项目给我们两条很实在的教训，写在可复用经验里。

其一，生成快但审校不能省。我们一开始也纠结过要不要把审校做薄一点、先把量跑起来，但现场一算风险账就打消了——大促图一旦带侵权或违规元素上线，下架与品牌损失远大于审校那点算力。把“生成—审校—入库”当成一条不能断的流水线，审校是其中不可替代的一环，而不是可选项。

其二，保真优于炫技。模型能画出很炫的场景，但如果领口、颜色、logo 和实物对不上，图再好看也是废图，反而增加客服与售后成本。我们把“与商品主数据一致”作为硬门槛，宁可让一部分图打回重生成，也不放保真度不达标的图入库。对电商场景来说，商品图的第一性是“像”，其次才是“美”。

工程上还有一点：把去重放在入库前而不是入库后，素材库才不会无限膨胀，运营检索体验也好得多。向量去重那道 0.92 的阈值是用一批真实素材标出来调的，建议新项目也用自己业务的图先标一批再定阈，别直接套默认值。