看着一张构图局促的照片，边缘被硬生生切断，谁心里不觉得遗憾？苹果即将在iOS 27里塞进的那个“Extend”功能，说白了就是要把这堵墙给推倒。不过，比起单纯感慨“AI真牛”，咱们更该扒开表象看看：这凭空多出来的几十像素，到底是怎么从无到有冒出来的？
潜空间里的“像素炼金术”
扩图（Outpainting）的底层引擎，依然是当下统治视觉生成领域的扩散模型（Diffusion Models）。但和从纯噪声起步的全量生成不同，扩图是个戴着镣铐跳舞的活儿。模型拿到原图后，会先把它编码压缩到潜空间（Latent Space）——一个比像素维度低得多、只保留核心特征的数学矩阵。扩图区域在潜空间里初始全是随机噪声，去噪过程必须严格受原图潜特征的约束。这就像让模型照着半截画卷，把剩下的部分补齐，笔触和墨色绝不能跑偏。
上下文感知：不止是拼图游戏
如果只是把边缘纹理往外涂抹，那出来的只是一堆毫无意义的色块重复。真正的难点在于语义连贯性（Semantic Coherence）。当前主流架构极度依赖自注意力机制（Self-Attention）。当模型计算扩图区域的每个像素时，它的目光必须时刻锚定在原图已知区域上。原图边缘是一只伸出的手，注意力机制就会强制扩图区域去寻找“手臂”或“袖口”的特征向量，而不是凭空画个垃圾桶。给一张只有半截咖啡杯的照片，AI能顺着杯沿的弧度，补齐下半截，甚至凭空在桌面上渲染出散落的咖啡豆和光影。
边界处的暗战
其实，最容易翻车的地方恰恰是新老像素的交界处。色差、结构断裂、甚至突然冒出个半截鬼影，都是边界融合没处理好。为了抹平这种缝隙，技术端通常会引入掩码渐变（Mask Gradient衰减）策略，让已知区域的约束力向未知区域平滑过渡，而不是一刀切。同时，像CLIP这样的视觉-语言模型会从旁督战，确保扩出来的内容在宏观逻辑上不违背常识——你不可能在海滩照片边缘扩出一座雪山。
从被裁切的遗憾，到边界的无限延伸，生成式扩图把摄影的定格瞬间重新变成了开放的画布。下次当你一键把那张局促的合影拉宽时，背后潜空间里那场关于噪声与特征的激烈博弈，早就悄无声息地打完了。