格隆匯6月26日丨虹軟科技(688088.SH)近期接受特定對象調研時表示， AIGC持續火熱，由文生圖開始延續到圖生圖、圖生視頻等階段，公司在AIGC技術與各大模型的差異主要分為以下三大方面：

1、可控"Control+Net"

【資料圖】

"Control+Net"是一個比較廣義的概念，如：卷積神經網絡、小模型網絡等等，統稱 "Control+Net"，其精細可控的結果可以用于指導各種各樣的大模型生成控制。公司目前在"Control+Net"的規劃布局上大體分為五大類：

第一類：分割。分割的終極目的是"分割萬物"，但大模型通常沒有辦法給出非常精細的結果，邊緣通常有些粗糙。虹軟精耕分割領域多年，可以分割出非常精確的邊緣，甚至發絲及鏤空區域，這是非常核心的技術。

第二類：Pose。人體Pose主要分為三個部分，面部、手和身體，除了相關成熟且已應用到項目中多年的2D技術，目前虹軟還可以做到單目恢復人體3D模型的程度，為人體的局部細節控制和生成打下堅實的基礎。

第三類：深度恢復。目前虹軟有成熟的單攝和多攝深度恢復技術，一張照片就可以準確恢復圖像的深度信息，此技術已經在手機背景虛化功能上穩定使用多年，對公司的產品競爭力提升極大，相信將來也會成為 AIGC 產品的強力助手。

第四類：抽象化的邊緣檢測。美是抽象的，更是有藝術創造性的，虹軟在人像美化和美型方面有十余年的經驗積累，對人體邊緣檢測的抽象化和美的處理可以驅動產生更符合大眾審美的模特生成結果。

第五類：全圖分析。公司目前很多技術都需要分析圖片中的對象，包括整幅圖中的出現的光照、人物、場景等等，然后做畫質或人像相關的特殊化處理，而這也將會使我們對大模型的生成有著更好的控制力。

2、優化模型和優化輸入

公司沒有自己的大模型，除自主研發外，還會結合具體的業務，通過對樣本和開源大模型的優化，并結合相關領域的多個精細可控小模型，聯合起來相互作用，最終取得更好的產品效果。

3、解決圖片中的小錯誤

即使AIGC生成的圖片中有各種各樣"Control+Net"類型的控制，但是仍然避免不了會有一些小錯誤。解決的方法大體有兩種，①把圖片中多余、不合邏輯的地方去掉。②加強圖片中想要的東西，而且把不想要的對象去掉。所以，公司在AIGC技術上，能與大模型結合來創新引擎，從而與深度學習引擎、計算機視覺引擎、淺層網絡引擎以及3D圖形引擎等聯合起來，產生想要的、可控的結果，而且大大減少錯誤，這是一個自適應的過程。公司做視覺移動終端多年，積累了大量計算機視覺和人工智能的引擎，且許多引擎在手機上都已經落地，已經具有速度快、省電、穩定、錯誤少、成功率高等特點，處理效果與產生的結果都較好。

關鍵詞：