必须用像素级比对+生成逻辑反推双轨验证，否则会把伪影当精度；第一步锁定原始dpi或prompt_hash/model_hash锚点，第二步零强度重绘差分识别ai新增噪点/周期纹理，第三步逐级添加controlnet观察细节是否断崖式出现，第四步用四类特定负向词反向击穿伪结构。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你在LiblibAI里修复一张咖啡豆特写或人像皮肤纹理后，发现豆沟更深了、毛孔更清晰了、发丝边缘锐利了——但不确定这些是原图本就存在却被模糊掩盖的细节，还是AI凭空“脑补”出来的假结构。必须用像素级比对+生成逻辑反推双轨验证，否则会把伪影当精度。
第一步：用PNG元数据锁定原始细节基线
上传原图前，先用系统自带图片查看器右键→属性→详细信息，记下“水平分辨率”和“垂直分辨率”数值（单位dpi）；若为AI生成图，则打开其原始PNG文件，用在线工具（如pngcheck.org）解析iTXt块，提取嵌入的prompt_hash与model_hash——这两个哈希值是该图所有像素的“出生证明”，任何后续重绘若未复用同一hash，新增内容即属AI新添。
这一步不能跳过。没有原始hash比对，后面所有细节判断都失去锚点。
第二步：开启“零强度重绘”做像素差分测试
方法一：在局部重绘模式下，将重绘强度（Denoising Strength）设为【0.01】，其余参数全保持不变，仅点击生成一次。此时AI几乎不修改结构，只做微调降噪。导出图后，用Photoshop或GIMP叠加原图（图层混合模式选“差值”），纯黑区域为完全一致像素，彩色噪点区域即AI已悄悄改动处。
方法二：若平台不支持0.01，改用0.05+采样步数设为5，强制AI只跑最浅一层去噪。注意：必须禁用“高清修复”和所有LoRA，否则差分结果会被超分算法污染。
差分图中出现规则性线条、重复纹理单元（如每0.3mm出现相同褶皱周期）、或与光源方向矛盾的高光簇，基本可判定为AI新添——真实细节不会呈现数学级周期性。
第三步：按模型响应层级逐级剥离验证
第一步：切换回NanoBanana Pro模型，关闭所有ControlNet，仅保留基础重绘，生成图A；
第二步：在同一张图上，加载Depth ControlNet（权重1.18，步序0.25–0.82），其他不变，生成图B；
第三步：再叠加Canny ControlNet（权重0.95，步序0.1–0.4），生成图C。
对比三图：若某处细节（如咖啡豆裂纹）仅在图C中突然变深、走向变直、边缘锐度跃升，而图A、图B中该位置仍是模糊过渡，则说明该细节由Canny边缘检测触发，属于AI根据线条逻辑新推演的结构，非原始存在。
真实细节恢复必呈渐进式增强：图A有弱信号→图B强化轮廓→图C稳定纹理。断崖式出现即为伪造。
第四步：用负向提示词反向击穿伪细节
在原提示词末尾追加负向指令：“no periodic texture, no algorithmic symmetry, no uniform crack depth, no cloned pore pattern”——这四类正是AI新添细节的典型指纹。重新生成后，若原先“完美排列的毛孔”开始错位、裂纹深度出现随机起伏、高光斑块大小不一，说明此前那些规整结构确实是AI生成；若变化极小，则大概率是原图真实细节被成功还原。
【禁用“blurry”“lowres”类泛化负向词，它们会压制整体细节，导致真实结构也被削平】
