窗帘商品图 AI 修图返检：褶皱、挂环和色偏为什么容易修错

为什么一张窗帘图，AI 修完以后布面更顺，买家反而更容易退货？我在工位上看这种图时，第一眼通常不是看背景干不干净，而是看褶皱还像不像同一块布。窗帘不是一张大色块。它有垂坠、孔位、遮光层、背面颜色和布料纹理。把这些修没了，图会像，但商品信息会漂。

来源：本次内容 worker 只读索引显示，2026 年 5 月 5 日项目博客 frontmatter 有 587 篇，近 30 天素材账本读到 220 个条目；家居电商近期只有挂钟等少量题材，历史关键词没有命中“窗帘”“挂环”“遮光层”。团队实际经验里，杭州滨江代运营工位处理软装图时，最常见的翻车不是背景灰，而是布料证据被 AI 当成瑕疵抹掉。

图注：窗帘图先保布料证据，再谈画面干净。

底层事实：窗帘图的主体信息藏在布料起伏里

窗帘商品图至少有四层信息。第一层是布料垂坠，决定厚薄和柔硬。第二层是褶皱密度，影响买家判断上墙后的饱满度。第三层是挂环、绑带、罗马杆孔位或挂钩带，决定安装方式。第四层是遮光层、背面色、缝线和锁边，决定实际使用感。

这些信息有个共同特点：它们都不够“平”。布纹有细小噪点，褶皱有阴影，挂环孔位有边缘磨损，遮光层和正面布色也不会完全一致。AI 局部修补最爱处理这种不规则区域。它会把阴影提亮，把边缘补圆，把孔位拉齐，把色差压成统一色块。

对一张普通场景氛围图，这样做可能让画面更顺。对窗帘详情页，它会改掉买家用来判断的证据。尤其是遮光帘，买家不是只看“好不好看”，还会看厚度、背面涂层、孔距和布料透光感。图上这些证据如果被改，客服后面解释很费劲。

内部复盘里有一个很土但好用的动作：修完以后，把主图缩到手机端，再把褶皱和挂环局部放大到 200%。小图看氛围，大图看证据。两边都过，才算能交给图片 worker 或人工审核继续走。

从事实推出结论一：褶皱可以收乱，不能改密度

窗帘褶皱不是纯审美元素。它和布料克重、悬挂方式、成品宽度都有关系。商品图里一米宽的布，如果 AI 把褶皱从 8 道补成 14 道，看起来会更饱满，但买家收到货时会觉得“怎么没图里那么厚”。这不是修图风格问题，是商品预期被改了。

返检时先看褶皱的方向，再看密度。方向有没有从垂直变成斜飘？密度有没有被平均化？阴影有没有被磨成一条条假线？这些问题比背景有没有一点灰更重要。

团队实际经验会把窗帘褶皱分成三类处理。可清理的是浮灰、墙面脏点、局部曝光不稳；要保留的是自然垂坠、布纹颗粒、褶皱深浅；必须人工确认的是明显折痕、抽丝、压痕和边缘变形。这个分法不复杂，但能挡住大部分“AI 越修越像样板间渲染图”的问题。

图注：褶皱、孔位和背面颜色都是购买证据。

举个明确假设场景，不计入上面的索引统计：一张 1200px 宽的遮光帘白底图，左侧自然褶皱偏密，右侧因为拍摄角度显得少。修图时如果只写 clean fabric and smooth wrinkles，模型很可能把两侧修成均匀波浪。图变工整了，但商品从“自然垂坠”变成了“高定满褶效果”。

更稳的提示词要写保护区：preserve original pleat count, fabric grain, grommet position, blackout backing color, stitching and seam edge; clean only dust, wall stains and background noise。Photoshop 25.4、图叮 GPT-image-2.0 或其他局部修补工具都一样，保护对象要先写清楚。

从结论一推出结论二：挂环和安装结构比布面平整更优先

窗帘图里最容易被忽略的是安装结构。挂环数量、孔位距离、绑带位置、挂钩带纹路，看上去只是小细节，实际决定买家能不能装。AI 如果把孔位边缘补圆、把金属环反光修成塑料感、把挂钩带纹理磨没，详情页就少了安装证据。

来源：本次 use-case-tag-map 只读检查显示，“家居电商”已登记到 home-ecommerce，“AI修图”“产品精修”“电商设计”都在既有标签体系内。这个题不需要新增标签；需要新增的是返检顺序：先锁安装结构，再清背景和布面杂点。

挂环返检可以按 4 个点看。第一，数量是否和原图一致。第二，孔位边缘有没有被补成假圆。第三，金属或塑料材质反光有没有被改。第四，挂环和布料接触处的拉力阴影还在不在。尤其是浅色窗帘，AI 很容易把孔边阴影当成脏污清掉，结果孔位像漂浮在布上。

如果图片里有绑带或挂钩带，也按同一逻辑处理。可调的是曝光和污点，不可改的是位置、形状、数量和材质。看起来麻烦，其实比返工省时间。我宁愿让背景留一点真实阴影，也不愿让买家对安装方式产生误解。

从结论二推出结论三：色偏要分“拍摄偏色”和“商品颜色”

窗帘的颜色很危险。布料大面积铺开，任何一点白平衡偏差都会被放大；但布料本身又可能有经纬纹、混色线和遮光背面。AI 修图如果把整块布统一成“更高级的米白”或“更干净的灰”，可能会直接改变 SKU 颜色。

返检时不要只问“这张图好不好看”。先问：白墙、地板或色卡是否能证明拍摄偏色？原图有没有同场景参考？同一 SKU 的主图、细节图、背面图是否还像同一块布？如果只有单张图，没有色卡，也没有系列图对照，AI 不该主动重写颜色。

团队实际经验会把色偏分成两档。第一档是可校正偏色，比如整张图偏黄、背景墙也黄，这时可以做白平衡。第二档是商品颜色不确定，比如布面局部泛绿、背面涂层偏灰、同系列图颜色不一致，这时应该进入人工确认，而不是让模型猜一个“更好卖”的颜色。

这里也有一个小检查：把主图和详情图并排放在手机宽度下看 10 秒。如果主图是暖米色，细节图变成冷灰色，哪怕单张都很好看，也不能放行。窗帘是大件软装，色差带来的退货成本比一张图多修 5 分钟大得多。

实战推论：交付前按四个证据区返检

把窗帘返检拆成四区，协作会简单很多。

第一块看 pleat，确认褶皱方向、数量和深浅没有被重绘。第二块看 hardware，确认挂环、绑带、挂钩带和孔位数量没有漂。第三块看 backing，确认遮光背面、缝线、锁边和厚度侧边还在。第四块看 color，确认主图、细节图和移动端预览是同一块布。

图注：四区返检能接住多数窗帘图漂移。

这张表不用做复杂。每个区域只给 4 个状态：ready、needs-human-check、blocked、not-applicable。没有挂环的窗帘，把 hardware 标成 not-applicable；遮光背面被重绘，直接 blocked；颜色和系列图不一致，进 needs-human-check。

内容 worker 写文章时定义检查点，图片 worker 后续按 image_plan 做配图，人工审核再按同一张表看。这样每个环节不用重新争论“窗帘图到底要修到多平”。

边界条件：返检不能替代实物色卡和安装说明

这套方法只管 AI 修图后的图片证据，不替代实物色卡、面料检测、遮光率说明和安装说明。涉及遮光率、阻燃等级、甲醛指标、洗涤方式时，要看品牌资料、检测报告或平台要求，不能靠图片推断。

公式可以压成一句：窗帘图可信度 ≈ 褶皱密度稳定 × 安装结构完整 × 背面证据保留 × 色彩跨图一致。任一项被 AI 重写，背景再白也不该放行。