有律师说AI模特图是否构成虚假宣传，关键看展示内容与实物是否相符，但AI生成的衣服版型、面料质感本身就可能和实物有系统偏差，商家把“AI示意图”和“实拍图”混着用的时候，消费者到底有没有办法分辨、有没有权利知道？

一、问题的技术化重述：从法律要件到可测量变量

“AI模特图是否构成虚假宣传，关键看展示内容与实物是否相符”——这一表述在法律框架内是准确的，但在工程与证据层面是欠定义的。“相符”缺少度量口径：是颜色均值相符、版型轮廓相符，还是面料在特定光照下的反射特性相符？不同口径导出的结论可能完全相反。笔者认为，把这一法律要件转译为技术变量，是讨论能否推进的前提。

转译的第一步是区分两类偏差。第一类是随机性偏差，例如实拍时的灯光色温波动、模特体型差异、褶皱的偶然形态。这类偏差在传统电商时代已长期存在，消费者对其有经验性容忍，法律实践通常以“合理商业夸张”或“个体差异”处理。第二类是系统性偏差，即由生成模型的结构性倾向导致的、在大量样本上方向一致的偏离，例如扩散模型倾向于生成更平滑的织物表面、更理想化的垂坠曲线、更均匀的光照分布。系统性偏差不会因换一张参考图而消失，它内嵌于模型先验之中。

本文的核心判断：虚假宣传认定中的“不符”，在AI模特图场景下主要对应系统性偏差，而非随机性偏差。因此举证与治理的重心，应从“单张图是否失真”转向“该生成管线是否存在可复现的偏差方向与量级”。

转译的第二步是确立三层分析主线。可辨识性回答“消费者能否看出这是AI图”；可归因性回答“偏差能否被追溯到生成环节”；可救济性回答“知情权能否转化为可执行的信息披露与举证流程”。三层之间存在严格的依赖关系：不可辨识则归因无从谈起，不可归因则救济缺乏证据基础。后文各章即沿此主线展开。

二、失真类型学：几何失真与材质失真的分野

2.1 几何失真：版型、垂坠与褶皱

服装的几何形态由面料力学与人体曲面共同决定。生成模型并不求解力学方程，它学习的是像素分布的条件概率。因此在版型维度，模型倾向于输出“统计上常见”的轮廓：肩线更平顺、腰线更收束、下摆更对称。这种倾向在单件服装上表现为“看起来更挺括”，在批量上表现为轮廓方差的压缩——真实服装因面料克重、裁剪误差、穿着姿态产生的形态多样性被系统性抹平。

垂坠与褶皱是几何失真的高发区。真实织物的褶皱由重力、摩擦、弹性回复共同决定，其空间频率分布具有明显的各向异性；而生成模型在缺乏物理约束时，容易产生“装饰性褶皱”——位置合理但力学上不可能出现的折痕。本文评述：这类失真对消费者的误导具有隐蔽性，因为单张图看上去“很自然”，只有与实物对照或进行多视角一致性检查时才暴露。

2.2 材质失真：光泽、纹理与透光性

材质失真是更严重、也更难通过标注弥补的一类。织物外观的核心物理量是双向反射分布函数（BRDF）及其空间变化。丝绸、雪纺、针织、涂层面料在BRDF上差异显著，尤其在高光宽度、菲涅耳反射强度、次表面散射程度上。生成模型在训练数据中以电商图为主，这类图像本身经过打光与后期，其BRDF分布已被“美化”，模型学到的是一种被污染的材质先验。

后果是：AI图中的面料往往比实物更“高级”——更均匀的光泽、更细腻的纹理、更少的瑕疵。这与传统修图的区别在于规模与一致性：修图是人工逐张调整，偏差方向不稳定；生成是管线化输出，偏差方向稳定且可复现。笔者认为，正是这种稳定性使“系统性偏差”成为一个可被技术检测、也可被制度规制的对象。

表1 服装生成图像失真类型学（据公开文献与行业实践归纳，分类框架为笔者整理）

三、生成管线解剖：为什么“参考图约束”压不住系统偏差

3.1 条件控制的三条技术路线

当前服装类生成的主流管线可归为三条：其一是文生图加参考图，以文本描述为主、图像参考为辅；其二是结构条件控制，引入姿态、深度、边缘等中间表示约束几何；其三是试衣类方法，将服装图像与人物图像进行形变对齐后融合。三条路线对几何失真的抑制能力依次增强，但对材质失真的改善有限。

原因在于，结构条件控制约束的是“形状在哪里”，不约束“表面如何反射光”。试衣类方法虽保留了服装原图的纹理信息，但在形变过程中会引入插值模糊，且当目标姿态与源图差异大时，遮挡区域的纹理需要生成补全，材质先验仍会介入。本文评述：行业普遍宣传的“参考图保真”在几何维度部分成立，在材质维度基本不成立，这一区分应成为标注规范的技术基础。

3.2 一个可复现的偏差度量思路

要让“系统性偏差”可被讨论，需要可复现的度量。一个工程上可行的思路是：对同一SKU，分别采集实拍图与AI图，在统一色彩管理下计算三项指标——轮廓IoU（交并比）、褶皱空间频率谱的KL散度、高光区域的BRDF拟合残差。三项指标不追求绝对阈值，而追求同管线内的一致性：若某商家长期使用同一生成管线，其偏差指标应呈现稳定分布，这本身就构成“可归因”的证据。

# 偏差度量伪代码（示意，非真实实验数据）
for sku in catalog:
    real = load_calibrated(sku.real_photo)   # sRGB统一色管
    gen  = load_calibrated(sku.ai_photo)
    iou      = contour_iou(real.mask, gen.mask)
    kl_fold  = kl_divergence(freq_spectrum(real), freq_spectrum(gen))
    brdf_res = fit_residual(highlight_region(real), highlight_region(gen))
    record(sku.id, iou, kl_fold, brdf_res)
# 输出：同管线偏差分布，用于归因与抽检基线

代码1 偏差度量流程示意（方法框架为笔者提出，指标选取参考图像质量评估与材质渲染领域的通用做法）

四、可辨识性：消费者分辨能力的实证边界

关于人类能否分辨生成图像，学界已有持续研究。早期工作多聚焦人脸，发现短时呈现条件下辨识准确率接近随机水平；后续研究引入训练与提示后，准确率显著提升，但个体差异极大。服装场景的难度更高：消费者不仅要判断“是否生成”，还要判断“偏差是否超出合理范围”，后者需要纺织与服装领域的先验知识。

笔者认为，可辨识性存在一个常被忽视的场景依赖：在纯色基础款上，生成图与实拍图的差异可能小于拍摄灯光差异；在复杂纹理、特殊面料、结构复杂款上，差异则显著放大。这意味着“一刀切要求标注”在技术上是合理的，但“一刀切认定虚假宣传”则缺乏技术依据——必须结合品类与偏差量级。

延伸阅读：关于生成图像检测与人类辨识的研究综述，可参考 arXiv 计算机视觉板块 与 Papers with Code 生成图像检测任务页，后者汇总了公开数据集与基准结果，便于对照不同方法的泛化表现。

五、可归因性：水印、指纹与内容凭证的技术比较

可归因性是三层主线中最具工程价值的一环。当前有三类技术路径：嵌入水印（在生成时写入不可见信号）、被动指纹（从图像本身提取模型特征）、内容凭证（在文件元数据中记录生成来源与编辑历史）。

嵌入水印的优点是检测确定性高，缺点是抗攻击能力有限——裁剪、重压缩、截图转发都可能破坏信号，且需要生成端配合。被动指纹无需生成端配合，但面对新模型时泛化能力下降，误报率是实际部署的主要障碍。内容凭证依赖生态协同，其价值在于把“是否AI生成”变成可机读的元数据字段，而非事后推断。本文评述：三者不是替代关系，而是分层关系——内容凭证解决“声明”，水印解决“验证”，指纹解决“兜底”。

表2 三类可归因技术的工程特性对照（笔者据公开技术文档与行业实践整理）

六、制度图谱：国内外标注与广告规制的对照

国内层面，生成式人工智能服务管理与深度合成内容标识的相关规定，已明确要求对生成内容进行标识，广告法框架下对“商品性能、功能、用途”的虚假表述亦有约束。国外层面，欧盟人工智能法案对生成内容的透明度义务、美国联邦贸易委员会对 deceptive advertising 的执法思路，均指向同一方向：不禁止使用，但要求可识别与不误导。

笔者认为，制度落地的难点不在原则，而在颗粒度。笼统标注“图片由AI生成”对消费者帮助有限，因为消费者真正需要知道的是“哪些维度可能与实物不符”。因此标注应分级：一级标注说明“含AI生成元素”，二级标注说明“版型/材质/颜色中哪些维度经过生成处理”，三级标注提供“实拍对照图或偏差声明”。这一分级思路与可辨识性、可归因性的技术结论直接对应。

拓展资料：国内深度合成与生成内容标识的制度文本可在 国家互联网信息办公室官网 检索；欧盟人工智能法案文本见 EU AI Act 信息站；美国联邦贸易委员会广告指南见 FTC 广告与营销指南页。

七、可救济性：商家、平台、监管的三方操作路径

7.1 商家侧：分级标注与偏差声明

可执行步骤：第一步，建立SKU级的“生成元素清单”，记录哪些图由AI生成、使用了哪类管线、参考图来源；第二步，按品类设定偏差敏感维度，例如针织类重点声明纹理与弹性，丝绸类重点声明光泽与透光；第三步，在详情页以结构化字段呈现，而非仅在角落加一行小字；第四步，保留生成日志与参考图，以备核查。本文评述：这套流程的成本主要在流程改造而非技术采购，中小商家亦可落地。

7.2 平台侧：检测、抽检与处置

平台应建立“入库检测—定期抽检—投诉复核”三级机制。入库检测以内容凭证与水印为主，抽检以被动指纹与人工复核结合，投诉复核则要求商家提供生成日志。处置上宜采用分级处置：未标注先提示整改，标注不实再降权，造成实质误导且拒不整改的才下架。笔者认为，分级处置能避免“误伤合规商家”，也能把监管资源集中在高偏差品类。

7.3 监管侧：取证与认定

取证的关键是把“单张图争议”转为“管线偏差证据”。可操作路径：调取同商家同管线的一批图像，计算第二章所述偏差指标，若指标分布显著偏离实拍基线，则可支撑“系统性偏差”的认定；同时结合标注记录判断是否存在“明知偏差而未声明”。这一路径把技术证据与法律要件对接，避免陷入逐图鉴定的低效循环。

八、案例与数据：偏差量级的可验证估计

需要说明的是，公开可查的、针对服装AI图与实物偏差的定量研究仍较有限，多数数据来自生成图像检测、虚拟试衣与材质渲染等相邻领域。本文不虚构具体实验，以下为基于公开研究方向的整合性估计（模拟数据，仅用于说明量级与方法）。

表3 偏差量级模拟数据（模拟数据，非真实实验；用于说明品类间差异方向，不可作为事实引用）

模拟数据的意义在于提示方向：材质越复杂、光泽越特殊，偏差越大。这与前文机理分析一致，也说明分级标注应按品类差异化设计，而非统一模板。

九、局限、争议与前沿预判

局限有三。其一，偏差度量尚无行业统一标准，不同管线的指标不可直接比较；其二，被动检测在新模型上的泛化能力仍是开放问题，误报可能损害合规商家；其三，标注的有效性依赖消费者理解，过度技术化的标注反而增加认知负担。笔者认为，这三项局限决定了治理应渐进推进，先在高偏差品类试点，再逐步扩展。

前沿方向上，物理感知的生成方法（引入面料力学仿真与可微渲染）有望从源头压缩几何失真；内容凭证的生态化则可能把“声明”前置到生成环节。本文评述：技术演进会降低偏差，但不会消除偏差，因为“理想化”本身是商业图像的固有倾向。因此制度设计不应寄望于技术归零，而应建立在“偏差可声明、可验证”的稳定预期上。

十、结论：把“偏差”变成可声明的产品信息

回到最初的问题：消费者有没有办法分辨、有没有权利知道？技术上的回答是——分辨能力有限且场景依赖，因此不能把识别责任完全推给消费者；权利上的回答是——知情权应转化为结构化的偏差声明，而非一句笼统的“AI生成”。本文的三层主线给出的操作结论是：以可辨识性确定标注颗粒度，以可归因性确定取证路径，以可救济性确定三方责任边界。唯有把“偏差”从模糊的观感争议，变成可声明、可检测、可追责的产品信息字段，AI模特图才能在合规轨道上发挥其效率价值。