多尺寸视觉延展一直是设计流程中的高频痛点。本文将从技术原理、应用场景与协作机制三大维度，系统拆解 AI 画面延展工具的能力边界与设计逻辑，帮助你理解它如何在“自动化”与“审美”之间找到平衡。

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。

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

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。

四步：素材收集-打标-训练-测试

1）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：

Keep the vertical layout unchanged,

Shorten the spacing between elements.

Optimize element layout, improve space compactness,

Delete text,

Keep the elements unchanged.

保持垂直布局不变，缩短元素之间的间距。

优化元素布局，提高空间紧凑性，

删除文本，保持元素不变。

（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

三、总结思考

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。