用 AI 按描述画出记忆中的脸:能做到什么,怎么落地
从「描述一个人就能生成他的脸」这个设想出发,拆解当前扩散模型在人脸还原上的真实能力边界:哪些已经可用、哪些仍是瓶颈,给出一套结构化描述、批量候选、参考图与结构控制、局部重绘的可执行流程,并讨论用于刑侦画像时的合规红线与伦理风险。
一个被反复提起的设想
「把记忆里的那个人描述出来,AI 就能画出他的脸」——这个想法在讨论区里总能引起共鸣:逝去的亲人、只见过一面的人、记不清长相的目击对象。顺着这个思路,最先被想到的「被取代职业」是刑侦画像师。
但从设想走到可用,中间隔着好几层问题:语言对人脸的描述带宽极低,模型对「同一个人」的保持能力有限,当事人的记忆本身还会被反复查看生成的图所污染。下面把这些问题拆开,并给出一条当前技术条件下相对稳妥的实现路径。
现在究竟能做到哪一步
已经可用的部分
- 单张人脸的生成质量:主流扩散模型(Stable Diffusion 系列、各类在线图像模型)生成一张「符合描述特征的正面人脸」几乎没有门槛,皮肤、光影、年龄感都能调。
- 局部可控修改:局部重绘(inpainting)可以只改眼睛、鼻子、嘴角,其余部分保持不动,这是「一点点调细节」的核心操作。
- 结构与姿态控制:ControlNet 一类条件控制可以锁住人脸朝向、轮廓、姿态,避免每次重绘整个人都变了。
- 身份参考:IP-Adapter、FaceID 类方案可以用几张参考照片把「像不像某个人」往目标上拉。
还差得远的部分
- 从零描述生成一个「确定的陌生人」:模型没有这个人的任何信息,只能给你一张「符合描述统计特征」的脸。它能给出很像的候选,但无法保证是记忆里那一个。
- 文字描述的精度不够:「鼻子挺一点」「眼神有点凶」这类词在不同模型、不同种子下差异极大,同一句话跑十次能得到十个人。
- 跨轮次的一致性:一旦调了眼睛,脸型往往跟着漂移;把多轮修改拼起来,最后常常得到一个谁都不像的「平均脸」。
所以现实定位应该是:AI 生成的是候选集,不是答案。它替代的是画像师手里那支笔的效率,而不是目击者的记忆。
为什么「描述→人脸」特别难
- 描述带宽低。一张脸的信息量远大于一段文字,几十个字只能约束几个维度,其余全靠模型自由发挥。
- 身份不是可加特征。脸型、眼距、鼻梁之间是强关联的,单独改一个属性往往破坏整体相似度。
- 记忆会被改写。反复看生成图会让当事人把「图上的特征」误当成「记忆里的特征」,越调越偏——这是这类应用最容易踩的坑。
- 缺少客观评价指标。像不像只能由当事人主观判断,无法自动化打分,也就无法用指标驱动迭代。
一条可落地的实现路径
第一步:把口述描述结构化
不要让人自由发挥讲故事,改成填表式提问,逐项确认后再拼成提示词。字段建议:脸型、眉眼、鼻、嘴、年龄特征、发型发际线、肤色肤质、情绪气质、镜头与光线。
主体:35 岁左右男性,方脸,下颌线明显,颧骨略高
眼睛:单眼皮,眼距偏宽,眼窝较深
鼻子:鼻梁直,鼻头略宽
嘴部:嘴唇偏薄,嘴角自然下垂
发型:短寸头,发际线略后移
年龄感:脸颊有浅法令纹,肤色偏暗
情绪:疲惫、克制,目光不直视镜头
镜头:正面证件照视角,平光,纯灰背景
中文描述可以先用,但实际出图建议转成英文关键词,并对每个维度标注权重(重要 / 一般 / 可忽略),方便后续只调整重要项。
第二步:先出量,再收敛
固定几组种子,一次生成 30–60 张,拼成一张联系表(contact sheet)让当事人快速扫选。经验上第一轮只看「整体感觉对不对」,不要纠结单点特征。
- 第一轮:只定脸型和气质,选 3–5 张。
- 第二轮:以选中图为底图,调整眉眼和鼻子。
- 第三轮:修年龄感、发际线、皮肤细节。
- 一般 3–5 轮收敛,超过 6 轮通常说明方向选错了,应该退回上一轮重选而不是继续微调。
第三步:用参考与结构控制锁定身份
- 有本人照片时:用 IP-Adapter / FaceID 类方案做身份约束,参考图需本人或家属明确授权,且只用于该次内部比对。
- 没有照片时:用 ControlNet 锁住轮廓与姿态(线稿、深度、姿态任选其一即可),避免每轮生成的人五官比例全变。
- 需要「同一个人换表情」时,先固定身份,再用表情编辑或分区重绘处理眉眼与嘴角,不要整图重跑。
第四步:局部重绘修细节
只框选需要改的区域(如眼周),提示词里同时写清「保留什么」和「改什么」,重绘幅度调低,反复小步迭代。每次修改都记一行日志:改了什么、为什么改、谁提出的。这份日志在后续复盘和纠纷处理时比图本身更有价值。
第五步:避免记忆污染
传统画像拼图法之所以有效,是因为它把「选特征」和「看整体」分开了。可以照搬这个思路:
- 同一轮里不要反复给当事人看同一张图超过两三次。
- 重要特征用「二选一」的方式确认,而不是开放式评价。
- 至少换一个人独立走一遍流程,比对结果差异。
- 所有输出明确标注为「生成示意图,非真实照片」。
检查清单
- 描述是否结构化、逐项确认过
- 是否保留了每轮的种子、提示词与修改理由
- 身份参考图是否获得授权
- 输出是否加水印与免责说明
- 流程是否可被第二个人复现
关于长期在线跑这套流程
如果是偶尔出图,本地机器足够。但如果要把生成做成长期在线的服务——定时批量出图、对外提供接口、多人协作共用同一套环境——本地机器的休眠、断网、断电会直接打断任务。这种情况下可以把运行环境放到机房里的一台独享 Mac 上长期挂着,远程连接使用,网络和在线时长更稳定;重负载的扩散模型推理仍然建议放在本地 GPU 或云 GPU 上跑,两者分工即可。
刑侦画像场景的现实与红线
已有公开报道提到警方尝试用图像模型生成嫌疑人画像。这类用法要认清几点:
- 目击者记忆本身不可靠,跨种族、高压、短暂目击条件下偏差更大,生成图再精细也无法弥补输入的错误。
- 只能作为排查线索,不能作为证据。画像与真实嫌疑人的相似度没有可验证的量化标准。
- 不能替代正式的人像鉴定与辨认程序,也不能据此对特定群体做画像式筛查。
- 避免公开传播未破案案件的生成画像,容易造成误认和名誉损害。
至于「用来监控所有人」的担忧,重点不在图像模型本身,而在数据来源与使用授权。约束手段是合规流程:明确目的、最小化采集、限期留存、可审计。这部分规则各地差异较大且更新频繁,落地前请以当地最新法规与主管部门说明为准。
分歧:这是幻想还是趋势
讨论里有两类声音。一类认为这类设想描述精度太低,属于空想,真正的趋势是模态之间的打通:文字、声音、图像、视频互相转换,然后各自在模态内部继续升级,比如实时口型与配音的跨语言替换、文本直接生成剧集。另一类直接把「描述生成人脸」等同于「现在的模型已经能做」。
更准确的判断是:模态互转是确定方向,单点能力已经可用,但「从模糊记忆还原唯一身份」这一步缺的是数据和评价方法,不是算力。算力解决的是清晰度和速度,解决不了「你脑子里那张脸到底长什么样」。
小结
- 把 AI 定位成候选生成器,而不是记忆读取器。
- 用结构化描述 + 批量候选 + 结构控制 + 局部重绘的组合流程,比反复写长提示词有效得多。
- 流程里最重要的是记录与防污染,图的精度反而是次要的。
- 涉刑事、涉逝者、涉他人肖像时,先解决授权与用途边界,再谈效果。