Adobe Lightroom移动端一键AI睁眼功能上线

Adobe为Lightroom移动端加入生成式AI一键睁眼功能,自动检测修复闭眼照片。
Adobe宣布其移动端Lightroom(iOS、iPadOS、Android)新增基于生成式AI的“一键睁眼”功能:当应用检测到画面中有人闭眼时,会主动提示用户,轻点即可生成睁眼版本,无需复杂操作。该功能主要面向团体照和抓拍场景,可挽救因闭眼而作废的照片。文章指出,这标志着Adobe将生成式AI从辅助工具推向自动化修复方案,其价值在于根据上下文生成逼真的眼部细节,而非简单复制修补;同时也引出AI生成内容真实性的讨论,Adobe强调功能定位是修复而非篡改。目前功能已随移动端更新上线,桌面版尚未确认。
Adobe近日宣布,其移动端Lightroom应用(支持iOS、iPadOS和Android)新增了一项基于生成式AI的“一键睁眼”功能。当应用检测到照片中有人或一群人闭眼时,会自动提示用户使用该功能,只需轻点即可让闭眼的人物睁开眼睛。这项功能旨在解决日常摄影中常见的遗憾,利用AI技术智能修复闭眼问题。
功能亮点:AI自动检测与一键修复
据Adobe官方介绍,Lightroom移动端的新功能利用生成式AI技术,能够自动识别照片中的闭眼情况。一旦检测到人物闭眼,应用会主动提示用户进行修复,用户只需轻点一下,AI便会生成睁眼的版本。整个过程无需复杂操作,大大降低了照片编辑的门槛。

该功能特别适用于团体照或抓拍场景,在这些场景中,闭眼往往导致照片作废。通过AI自动检测和修复,用户能够快速挽救原本可能被删除的照片,提升移动端摄影体验。
技术背景:生成式AI在图像编辑中的深化
Adobe近年来持续将AI技术集成到其创意软件中,Lightroom移动端的这一新功能是其在生成式AI领域的又一落地应用。与传统的图像修复工具不同,生成式AI能够根据上下文生成逼真的眼部细节,而非简单复制或修补。这标志着AI在图像编辑中的应用正从辅助工具向自动化解决方案演进。
生成式AI与判别式AI的区别
要理解“一键睁眼”为何不同于传统修图工具,需要区分生成式AI与判别式AI。判别式模型(如人脸检测、闭眼分类器)只负责判断“是否闭眼”,输出的是标签或概率;生成式模型则要基于已有像素“凭空”合成原本不存在的眼部细节,包括虹膜、睫毛、眼睑阴影和皮肤纹理。Adobe 采用的方法通常属于扩散模型(Diffusion)或生成对抗网络(GAN)一类,模型在海量人眼图像上学习分布,再以照片中的人物身份、光照方向、肤色和面部姿态为条件进行约束采样。正因为是“生成”而非“复制”,它在处理侧脸、戴眼镜、强逆光等复杂场景时才能保持自然,但也意味着结果的像素并非来自原始拍摄,这也是真实性讨论的技术根源。
用户体验与潜在影响
对于普通用户而言,一键睁眼功能简化了照片修复流程,无需专业技巧即可获得自然的效果。对于摄影师和内容创作者,这可以节省后期处理时间,尤其是在需要快速交付的场合。然而,AI生成的内容也引发了一些关于真实性的讨论,但Adobe强调该功能旨在修复而非篡改。
内容凭证(Content Credentials)与C2PA
Adobe 在回应“真实性”质疑时,常引用其主导推动的 Content Credentials(内容凭证)机制。该机制基于 C2PA(内容来源与真实性联盟)标准,可在图像文件中附加加密签名的元数据,记录“由谁、用什么工具、做了哪些编辑”。对于使用生成式功能修改过的照片,凭证可以标注其为“AI 生成或修改”,并在支持该标准的平台(如部分浏览器、图库和 Adobe 自家应用)中显示。需要指出的是,凭证依赖发布方主动保留元数据,多数社交平台在上传时会剥离 EXIF 信息,因此它更像一种“可追溯”的行业倡议,而非强制性防伪手段。理解这一点,有助于客观评估“修复而非篡改”这一表述的实际边界。
可用性与未来展望
目前,该功能已随Lightroom移动端更新推出,iOS、iPadOS和Android用户均可使用。Adobe未透露桌面版是否会加入类似功能,但考虑到移动端优先的策略,未来可能会扩展到更多平台。随着AI技术的进步,类似智能修复功能有望成为图像编辑的标配。
相关推荐

AI数字分身实战:用DOT自动追踪Bug与用户反馈
DOTS 团队工程师演示如何用 AI 数字分身 DOT 跨平台收集用户反馈、自动归类问题主题、开线程调查 Bug 根因并直接提交 PR,展示 AI 代理参与缺陷分诊的完整工作流与可审计设计。

晶体管为何不再扁平?从平面到环绕栅极的演进
晶体管从平面到FinFET再到环绕栅极的演进:为何栅极需要从三面包裹到四面环绕,以抑制短沟道效应和泄漏电流,延续摩尔定律。

蜂群思维=单个RL智能体?多臂老虎机等价性证明
一篇论文证明蜂群通过局部模仿进行的集体决策,在数学上等价于单智能体强化学习。N个盲目模仿者相当于N个并行环境采样,有效学习率为1/N。本文解读Maynard-Cross Learning算法的推导与影响。