应通过差分图、lab色度热力图和canny边缘图三重验证精修图对原始微观结构的还原度：①diff图中锚点坐标偏移≤2像素；②b通道值≤8；③边缘密度＜7条且无高度平行伪结构。
☞☞☞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☜☜☜
你需要在LiblibAI中快速判断哪次精修真正还原了原图的微观结构，而不是用AI脑补出看似合理但实际不存在的伪细节——比如把模糊的咖啡豆沟壑“锐化”成数学级平行刻线，或把皮肤阴影里的噪点强化成虚假的毛孔排列。
准备原始锚点图与元数据
右键点击原始高清图→选择“属性”→切换到“详细信息”选项卡→记下“水平分辨率”和“垂直分辨率”数值（单位dpi）；若为AI生成图，则用在线工具pngcheck.org解析其PNG文件iTXt块，提取prompt_hash与model_hash。
【必须用同一张原始图作为所有精修任务的输入源，且每次重绘前确认未启用“自动裁剪”或“智能缩放”，否则dpi值漂移将导致后续像素比对失效】。
将原始图命名为“anchor_v0.png”，所有精修结果按顺序命名为“refine_A.png”“refine_B.png”……命名中不得含空格或中文标点。
导出四类标准验证图
方法一：差分图（原图 vs 精修图）
用GIMP打开anchor_v0.png→图层→叠加载入refine_A.png→图层混合模式设为“差值”→导出为diff_A.png。纯黑区域表示完全一致，彩色噪点即AI改动处。
方法二：Lab通道b值热力图
在Photoshop中打开refine_A.png→图像→模式→Lab颜色→分离通道→单独选中b通道→图像→调整→色阶→将输出白色设为255、输出黑色设为0→另存为bmap_A.png。暗部b值越接近0，说明色偏越小；若出现大片>12的暖色区块，代表AI注入了非物理性暖光细节。
方法三：边缘响应强度图
用Python脚本（或在线Edge Detector工具）对refine_A.png运行Canny边缘检测（阈值低=30，高=90）→保存为edge_A.png。真实细节边缘响应应呈不规则发散状；若某区域边缘线密度突然跃升且走向高度平行，大概率是ControlNet过载触发的伪结构。
逐像素比对关键验证区
第一步：放大至400%，定位三个必查坐标点——左眼瞳孔外缘切线点、鼻翼最宽处垂线与人中交点、耳垂最低点与颈部接触线起点。
第二步：在diff_A.png中观察这三点是否位于纯黑区域中心；若偏离超过2像素，说明该次精修已破坏原始几何锚点。
第三步：切换到bmap_A.png，用吸管工具点击同一坐标——数值≤8为合格；若＞12，该点附近细节已被AI强加色温逻辑，非原始保留。
第四步：打开edge_A.png，检查三点周边15×15像素框内边缘线数量：真实纹理边缘线数应＜7条；＞11条且其中≥4条长度＞8像素、角度差＜5°，判定为AI新添周期性结构。
第五步：对refine_B.png重复上述五步，将每项结果填入对比表：diff_offset（像素）、b_max、edge_density。数值越小，细节保留程度越高。
