0.6B VLM重塑AI修图推理流程，支持手机端侧部署，vivo+浙大出品

如今手机拍照已成日常，但想修出一张好照片，往往比拍下它更费功夫。专业工具门槛高，一键滤镜又太死板，现有的AI修图方案要么操作流程割裂，要么模型太大跑不动移动端。最近，

联合带来了一项新工作——。

简单说，这是一个面向多任务推理式影调和色彩修图的轻量框架，全可微分，还支持手机端部署。核心思路是让0.6B的视觉语言模型充当“修图大脑”，再配上一个全可微分的Retouch Renderer作为“修图执行器”，从而把高层语言意图精准转化成像素级调整。效果嘛，既保留图像细节，又完成专业级色调与色彩优化。

让大模型真正“会修图”，而不只是会说怎么修

传统自动修图方法大多像个黑盒：照片丢进去，结果吐出来，中间缺少审美分析和调整逻辑。后来出现的推理式修图方法引入了多模态大模型，让模型先分析问题、给出修图步骤，再调用外部工具执行。这条路更接近人类修图师的工作方式，但有个核心瓶颈——外部修图软件通常不可微分。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的关键创新就在这里：它不再把专业修图工具当成外部黑盒，而是

。这样一来，模型不仅能“推理出该怎么修”，还能通过图像监督直接学会“怎样修才真的好看”。

研究团队把修图空间拆成三个相对独立的控制维度：

• Lighting：曝光、阴影、高光等光照相关调整
• 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

这种拆解方式与专业修图流程高度一致，也让模型输出更可解释、更稳定。

△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

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类修图任务。

△VeraRetouch支持自动修图、风格修图与参数修图三类典型工作流，让用户可以快速从“这张图需要怎么修”理解到“模型正在做什么”。

第一类是Auto-Retouch。用户只需输入一张照片，模型自动分析光影和色彩问题，生成修图方案。这不是套滤镜，而是在保留原图内容的基础上提升整体观感。

第二类是

。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”。模型结合图像内容和文本意图，推理出具体调色方向，生成符合描述的结果。

第三类是

。模型可以根据明确的参数指令进行修图，比如对比度、曝光、色温、饱和度等。换句话说，它既能“自己看图修”，也能“听懂你想要什么风格”，还能“按参数执行”。

数据问题怎么解决？构建百万级专业修图数据集

高质量修图模型离不开高质量数据。但专业修图数据非常稀缺，已有数据集规模有限，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

，一个百万级多任务专业修图数据集，覆盖Auto-Retouch、Style-Retouch与Param-Retouch三类场景。

△AetherRetouch-1M+ 覆盖自动修图、风格修图与参数修图三类任务，为多任务推理式修图提供大规模训练数据

对于自动修图，团队采用了一个很有意思的“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的色彩与光照变化，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。

对于风格修图，团队整理了5030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，再生成多样化用户指令。对于参数修图，团队围绕光照、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。

△AetherRetouch-1M+的数据构建流程，包括自动修图的反向退化、风格预设匹配与参数采样三条数据生成路径

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。

△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

为了让推理结果真正驱动像素调整，研究团队设计了专门的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。

这套设计带来两个重要优势。首先，它

——整个修图过程可以在模型内部完成，并支持端到端像素级训练。其次，它。VeraRetouch总参数规模约为0.63B，远小于Flux.1 Kontext、Qwen-Image-2509、MonetGPT、JarvisArt等基线方法，更接近移动端实际部署需求。

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。

实验结果：质量、速度和可部署性同时提升

实验显示，VeraRetouch在多个基准上取得了领先表现。在FiveK-Bench自动修图任务上，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。

在Aether-Bench的风格修图任务中，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。在参数修图任务中，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。不过论文也指出，由于构造训练数据时采用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。

从三个任务视频可以看到，VeraRetouch的修图结果并不是简单改变整体滤镜强度，而是会根据任务类型分别处理画面亮度、色彩倾向、局部颜色与风格氛围。自动修图更强调自然观感；风格修图更关注语言描述与视觉风格的一致性；参数修图则强调调整结果的可控性和可复现性。

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，模型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。

用户研究同样验证了这一点。38名参与者的盲评结果显示，VeraRetouch在视觉美感、指令一致性和纹理保持方面都获得了最高评分。DAPO-AE后训练也带来更明显的人类偏好提升，在对比实验中获得61.62%的偏好率。

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——比如只提亮人物面部、只调整天空色彩，或只优化背景氛围。

关于作者

vivo BlueImage Lab是蓝图影像创新实验室，主要负责移动影像算法创新，包括图像/视频处理、图像/视频交互、图像/视频增强、多模态理解大模型等方面的技术前沿探索。致力于不断提升vivo移动影像的算法能力，使用户能够拍摄出更加清晰、美观的照片和视频，同时积极探索增强现实、具身智能等新兴技术领域的应用。

论文链接：https://arxiv.org/pdf/2604.27375

项目主页：https://apollo-yi.github.io/VeraRetouch/

代码链接：https://github.com/OpenVeraTeam/VeraRetouch