夜雨聆风我平时其实挺爱拍照，尤其是那种韩男风格的照片。clean fit，低饱和，背景干净，看着很随意，但每张都像精心设计过。发朋友圈的频率不高，只是每次发之前都希望，这张得好看，却不能好看得太假。
真正拍的时候完全是另一回事。我不知道姿势怎么摆，站着像罚站，坐着像在等人，手放哪都不对，最后只能比个剪刀手。拍照的人也不知道怎么构图，明明是同一个场景，拍出来要么头顶多出一截空白，要么人被压在最下面。画面又杂又闷。
事后试过 AI 修图。磨皮，调色，把路人 P 掉，确实能让照片变好看。但修得越多，越觉得别扭。这还是我看到的那个瞬间吗？还是 AI 重新给我画了一张？
我有个挺固执的判断。真正让人羡慕的照片，修得多完美倒在其次，那一刻确实被拍得好才重要。「拍得好」这件事，太依赖摄影知识了。
这两年 AI 图像的能力进步很快。
用 Midjourney 生成氛围感拉满的图片，用像素蛋糕的「方糖大模型」一键修图、祛路人、调肤色，用 GPT-Image-2 甚至能直接生成一张人站在巴黎街头的照片。听起来选择很多。
这些工具解决的是「没有图，创造图」，或者「有图，把它变得更好看」。它们忽略了一个中间环节。人站在一个真实场景里，举起手机，在按下快门之前，其实有很多选择可以做。手机往左移一点，背景的线会不会更干净；人是站着好，还是靠着墙更好；这个光线，是不是应该让人转 45 度；这一帧要不要等，还是直接重拍。
这些选择，才是真正决定一张照片「像不像样」的关键。而它们发生在按下快门之前，发生在修图 App 无能为力的时间里。
ShutterMuse 在按下快门前就介入
最近看到一个项目，叫 ShutterMuse，复旦和 StepFun 联合做的，已经开源。
它不是修图工具，也不是图像生成工具。它做的是一件更前置的事，在拍照的那个瞬间，给出指导。
ShutterMuse 的核心能力分两端。一端面向拿相机的人，判断当前构图是该保留、该裁剪优化，还是直接重拍。另一端面向被拍的人，根据场景推荐一个适合当前环境的人体姿势。
技术底座是 Qwen3-VL-8B，一个多模态大模型。它用 CaptureGuide-Dataset 做训练，这个数据集约有 13 万个样本。10 万张面向构图决策，3 万张面向姿势推荐。训练分两步，先做监督微调，再用 GRPO 做强化学习微调。后者靠一个奖励函数来告诉模型，什么样的构图建议更好、什么样的姿势更自然。
它到底怎么用
ShutterMuse 的输入就是一张照片，或者一个实时取景画面。输出是一段结构化的建议，而非一张新图。
在摄影师侧，模型会给出一个 composition_xy 字段。这个字段是一个边界框。如果它为空，意思是当前画面建议直接重拍；如果是 [0,0,1,1]，意思是构图已经不错，可以保留；如果是其他坐标，意思就是建议按这个框来裁剪优化。同时它还会给出一段 reason，解释为什么要这么决定。
姿势推荐侧的输出则不同。它是一组 COCO-17 格式的关键点坐标，也就是人体 17 个关节的位置。每个点附带一个 visibility 状态，标明这个点是可见的、被遮挡但仍在画面内的，还是已经跑到画面外了。模型同样会给一段 reason，说明这个姿势为什么适合当前场景。
这种设计很有意思。它不重新生成图像，只在真实画面上做判断和建议。姿势推荐的推理成本远低于 GPT-Image-2 这类图像生成模型，秘诀不在更「大力出奇迹」，在它更聚焦，只做拍摄瞬间的决策。
所以它没有替代真实场景。只是帮人更好地使用真实场景。
这个方向为什么让我在意
我自己其实想过做类似方向的产品。起因是太不懂摄影。我太清楚一个普通人想拍出一张「看起来不错」的照片时，设备不是瓶颈，难的是不知道从哪开始。
但一直没动手，因为这件事不好做。AI 得理解场景，理解人，理解构图，还要在端侧实时给出建议，技术链条很长。市面上的成熟方案大多是生成式的，直接造一张图。省事儿。但不真实。
ShutterMuse 让我看到另一条路径，用多模态大模型做拍摄指导，而非图像合成。
这个方向有几件事很对味。照片还是人拍的，AI 只是协助做选择。普通人不需要先学三分法、黄金分割，也能被引导着拍出更像样的照片。未来这种能力可以集成进手机相机、运动相机，甚至 AR 眼镜里，变成实时的拍摄助手。
对关注 AI 应用的人来说，ShutterMuse 这类项目提醒了一件事，AI 摄影的机会，正在从「拍后处理」往「拍前指导」迁移。
过去五年，美图、醒图、像素蛋糕这些工具教育了市场，照片可以后期救。往后五年，可能是另一类产品在教育市场，照片可以在拍之前就被引导得更好。
修图不会消失。它会变成基础能力，而「拍摄指导」会成为新的差异化体验。我想到的潜在形态包括，手机原相机的 AI 拍摄教练，在取景框里实时显示构图建议和姿势引导线；旅行或约会场景下的跟拍助手，固定机位后用语音指导被摄者调整姿态；内容创作者的拍摄工作流，帮短视频、Vlog 和穿搭博主快速拍出稳定有质感的素材。
对普通人来说，拍出「像样照片」的门槛会大幅降低。对创业者和产品经理来说，「真实感」可能是一个被低估的赛道。不是每个人都想要 AI 生成的完美假图，很多人只想让真实的自己被拍得更好看。
我不是摄影专家，也不是模型研究者。只是一个平时想拍出好看照片、又不愿意接受 AI 完全替我画一张的普通人。
从这个视角看，ShutterMuse 代表的方向很有价值。AI 可以是普通人的摄影教练，不必替代摄影师。它不会让人设备变贵，也不会替人按下快门，但它有可能让每一次按快门的决策，稍微好一点点。
这一点点，对像我这样的人来说，可能就是「能发朋友圈」和「算了吧不发了」的区别。
我还在研究 ShutterMuse 的具体效果。如果有时间，会自己跑一跑它的 demo，看看在真实场景下表现怎么样。
对「真实感拍照」感兴趣的人，欢迎评论区聊聊。平时拍照最卡在哪一步，姿势、构图、光线还是后期？更愿意让 AI 帮拍、帮修，还是像 ShutterMuse 这样，在拍之前给建议？
我挺好奇大家的真实想法。
参考资料
- ShutterMuse GitHub: https://github.com/lijayuTnT/ShutterMuse[1]
- 论文 arXiv: https://arxiv.org/abs/2606.25763[2]
- 项目主页: https://lijayutnt.github.io/ShutterMuse/[3]
- 像素蛋糕「方糖大模型」: 2025 年 3 月发布，摄影行业首个应用级图像大模型
- Google Pixel 10 Camera Coach: 基于 Gemini Nano 的实时构图建议功能
- 百度「会拍 AI」：通过语音交互提供构图、姿势和机位等拍摄指导
作者：AI赛博坦阿祖，一个在用 AI 升级自己的 00 后。
