机战UX AI超清重绘：十万张图抽卡背后的技术流程

《超级机器人大战UX》AI超清重绘版发布十万张图抽卡背后的完整技术流程如果你玩过十年前的掌机游戏一定有过这样的体验在 3DS 或 PSP 的小屏幕上觉得画面还行但只要放到电脑显示器或者高清电视上满屏锯齿、发虚的贴图、糊成一团的战斗动画立刻暴露无遗。尤其像《超级机器人大战UX》这种以大量静态立绘、机体特写和分镜式战斗演出为核心的游戏画面一旦放大违和感会非常明显。最近大灰鹅发布的机战UX超清重绘版之所以在游戏同人圈和 AI 绘画圈引起讨论不只是因为画面变清晰了更因为制作方透露了一个惊人的数字耗费了十万张图进行 AI抽卡。很多人看到抽卡两个字以为只是用 AI 批量生成图片然后挑好看的。但真正做过批量 AI 重绘的人会明白这类项目的难点从来不是生成一张好看的图而是如何在十万张规模下稳定地产出合格的图。这背后涉及数据准备、素材分级、模型选型、批量任务编排、质量控制、成本规划一整条流水线。本文不讨论资源获取只从技术与工程角度拆解机战UX这类老游戏 AI 超清重绘版是怎么做出来的十万张图的规模意味着什么如果我们也想复现类似流程需要解决哪些问题1. 这篇文章真正要解决的问题先说结论机战UX超清重绘版的核心价值不在于某一张贴图被 AI 修好看了而在于它把一条基于 AI 的老游戏画面修复流水线跑通了并且跑到了十万张这个规模。在深入技术之前必须理解三个关键点。第一机战UX的画面构成决定了它的重绘空间很大。这个系列的战斗画面大量使用静态 CG 局部动画 镜头移动的手法真正需要逐帧处理的部分很少绝大部分工作量集中在静态素材上。这意味着如果我们能高质量重绘一张立绘、一张机体图、一个头像那么它在游戏内会被复用几十次甚至上百次。单张素材的收益被放大重绘的性价比远高于普通 RPG。第二十万张图抽卡描述的核心是一个庞大的人工智能筛选过程。AI 绘画有很强的随机性同一个提示词生成十次可能只有一两张能看。在十万张生成图中真正被采用的可能是几千张、几百张甚至更少。这是一个典型的高投入、高淘汰率流程。第三很多人低估了这类项目的工程量。十万张图不是挂机跑一个晚上就能完成的。以一张图生成 5 秒计算十万张图单卡需要约 140 小时就算用 8 张卡并行也需要一整天以上再加上分类、清洗、命名、回填、人工抽检、反复返工项目周期以周为单位是很正常的。如果要用一句话概括这篇文章最想解决的技术认知问题AI 游戏画面重绘真正的挑战不是模型而是流水线的稳定性和质量筛选的确定性。2. 超分辨率、AI重绘与素材重绘到底有什么区别讨论机战UX重绘版之前必须先把几个经常被混用的概念分开。2.1 超分辨率Super-Resolution超分辨率的目标是在不改变画面内容的前提下把低分辨率图像放大为高分辨率图像并尽可能补足细节。传统方法包括插值放大比如双线性、双三次但结果总是发虚。目前实际项目中使用最多的开源方案是 Real-ESRGAN 系列。它的核心思路是让模型学习真实世界中低清图与高清图之间的映射关系而不是简单插值。对游戏截图、CG 插画这类素材Real-ESRGAN 往往能给出相当不错的结果。超分辨率适合处理本身画质尚可只是分辨率低的素材。它的优点是稳定、快、不会乱改画面结构缺点是它只能猜细节无法真正改变画风或修复大面积的撕裂、噪点。2.2 AI 重绘img2imgAI 重绘指的是把一张图输入 Stable Diffusion结合提示词让模型重新绘制。它和超分的最大区别在于重绘会改变画面的局部甚至整体画风可能变化细节可能被脑补出来。机战UX重绘版如果要达到高清重绘的效果采用的路线大概率不是单纯超分而是超分 重绘的组合先用超分模型把基础分辨率提上去再用 Stable Diffusion 结合提示词进行细节重塑。这里有个重要技术细节Stable Diffusion 的重绘强度由 denoising strength重绘幅度控制。数值越低改得越少但细节提升有限数值越高画面越接近重生成但构图和角色形象越容易漂移。对于游戏素材通常希望保留原始构图所以重绘幅度一般会控制在 0.3 到 0.5 之间并且往往需要 ControlNet 之类的结构约束。2.3 素材重绘与逐帧重绘这是机战项目里最容易忽略的底层概念。逐帧重绘意味着对每一帧画面都做 AI 处理这样的好处是全局风格统一但代价是计算量爆炸而且帧间闪烁问题会严重到不可用。素材重绘则是先定位游戏内部真实使用的图片素材把它们抽出来单独重绘再重新打包回游戏。机战UX的战斗动画大量依赖预渲染好的 Sprite 图和背景图所以只要把这些静态素材重绘回填后所有调用位置都会自动变清晰。这是一条工程量小、效果收益最大的路径。方案计算成本画风一致性工程量适用场景纯超分辨率低高小原图质量好、只需要放大img2img 全图重绘中中中CG、立绘、头像等静态图逐帧视频重绘极高低易闪烁极大少量过场动画素材抽离重绘中低高中机战类静态素材为主的游戏从标题中超清重绘版这个用词看大灰鹅的机战UX项目更接近素材重绘 分类策略对机体立绘、机师头像、对话立绘做重点重绘对战斗动画的序列帧选择超分或适度重绘对反复出现的背景素材进行标准化批量修复。这既是这个项目的聪明之处也是所有老游戏 AI 重绘项目的通用思路。3. 为什么机战UX适合做AI超清重绘在讨论完整流程前值得先理解为什么是机战UX而不是其他游戏。《超级机器人大战UX》是 2013 年在 3DS 平台发售的策略 RPG汇集了大量机器人动画作品的机体和角色。从 AI 重绘的角度看它有三个天然优势。画面结构非常平。游戏大多数画面是 2D 立绘与 2D 背景组合视角变化小不存在复杂的光照变化和物理引擎生成的动态画面。AI 重绘时不用担心视角错误、光照不连续、物体遮挡变化等视频重绘常见问题。静态素材复用率极高。机战系列的人脸立绘、机体图鉴、战斗出场动画都有大量复用。一张机体立绘重绘完成后可能出现在菜单、图鉴、剧情对话、战斗准备等多个场景。单张素材价值极高。素材包结构相对容易定位。3DS 游戏通常将图片素材打包在特定目录或归档文件中。这一类游戏的 Mod 社区已经积累了成熟的解包、替换、封包工具链。网络上存在大量机战 UX 高清化相关技术资料也侧面验证了这个项目的工程可行性。但注意容易定位不代表简单。素材的格式、调色板、透明通道、动画帧索引都可能成为技术障碍。这也是为什么这类项目通常由一个精通游戏逆向与数据处理的 Mod 作者主导AI 绘画只是其中一环。4. 十万张图抽卡规模感到底是什么概念耗费十万图抽卡是标题中最有冲击力的表述。但如果不把十万拆解成具体的工作量读者很难理解这个数字的分量。假设我们按平均每张生成耗时 5 秒来计算单卡生成十万张图需要 50 万秒约 138 小时也就是接近 6 天。如果用 8 张显卡并行跑大约需要 17 小时纯计算时间。听起来似乎不算夸张但这是在不考虑失败、重试、参数调整、任务调度的前提下。真实项目远不止这么简单。十万张生成图不等于十万张有效素材。AI 抽卡不是每张都能用。以立绘类素材为例生成十张里能有两三张达到可以直接用的水平已经不错。更常见的情况是一百张生成图里挑出二十张候选再经过人工比对后选出一张终稿。所以十万张图对应的有效产出可能只有一万到两万张最终被实际回填进游戏的又是其中更少的一部分。这只是生成环节。在生成之前还要做数据准备解包、分类、命名、格式转换生成之后还要做质量筛选放大对比、模糊检查、结构异常检测、人工抽检。每一步的工作量都不比跑模型小。所以十万图抽卡本质上描述的是一个高淘汰率的工业流程用大量生成图换取少量合格的产出。它并不是一种浪费而是在模型能力有限、单张生成可控性不足时用并行试错换取质量的一种工程策略。5. 技术选型超分模型、Stable Diffusion 与 ControlNet 怎么组合到了实际操作层面首先要回答的问题是用什么模型跑这十万张图5.1 放大模型Real-ESRGAN 或同类超分方案对于游戏截图和素材第一步通常是先用超分模型把分辨率提升到合适尺寸。机战UX的原始素材分辨率普遍不高如果把 512x512 的立绘直接丢给 Stable Diffusion 做重绘模型很难理解原始细节但如果先用 Real-ESRGAN 放大到 1024 或更高画面的结构信息会更完整后续重绘的稳定性会大幅提升。5.2 重绘模型Stable Diffusion 专用 LoRAStable Diffusion 本身是一个通用文生图模型对机战 UX这个具体画风一无所知。如果直接把所有素材喂进去出来的结果要么画风漂移要么角色形象不一致。更合理的路线是训练一个针对机战UX风格或某一类机体的 LoRA。LoRA 是低秩适配模型训练成本远低于全量微调且可以固定在特定角色、特定机体的画风上。在大量相关社区实践中二次元画风游戏重绘项目使用 LoRA 保持角色一致是当前最主流方案。如果大灰鹅真的做了十万张图的生成那么它大概率使用了一个精心准备的提示词模板配合角色 LoRA。提示词中会包含正面描述、负面描述、分辨率、画质词、风格词再加上 ControlNet 提供原图结构约束。5.3 ControlNet保持构图稳定直接 img2img 时denoising strength 一旦提高构图就可能完全改变。机体装甲的线条、脸型、服装结构都会飘。ControlNet 的 Canny 边缘检测或 Lineart 线稿提取可以锁定原始构图让模型只能在已有结构内填细节。这是老游戏重绘项目最重要的一个技术细节。没有 ControlNet十万张图里能用的比例可能低到令人绝望有了 ControlNet加上适当的 LoRA有效率会明显提升。5.4 工作流平台在实际项目中很少直接手写 Python 脚本调用 ComfyUI 或 WebUI 的每一步。更常见的是使用 ComfyUI 搭建一个完整的批量工作流# 工作流逻辑示意非 ComfyUI JSON仅表达流程 Input image - Real-ESRGAN 放大 - ControlNet 线稿约束 - Stable Diffusion img2img 重绘 - 输出大图 - 自动裁剪切分 - 生成对比图原图/重绘后 - 人工筛选目录ComfyUI 的优势在于可以把整条链路可视化并且通过 API 批量导入图片。AIGC 项目团队可以选择开发一个 CLI 包装器用 Python 批量调用工作流。6. 批量处理流水线的工程实现抛开具体的模型权重选择一个通用的批量 AI 重绘流水线至少包含三个模块数据准备、批量调度、输出归档。下面给出一个可以落地的工程示例思路适用于大多数老游戏素材重绘项目。6.1 数据准备从游戏素材包到规范目录首先需要把游戏素材解包并整理成规范目录。建议按素材类型分目录assets_raw/ characters/ character_01/ character_02/ mecha/ mecha_01/ portraits/ portrait_001.png backgrounds/ bg_001.png素材目录结构建议遵循一条原则每个文件至少保留原始文件名并附带一个元数据文件记录素材来源、尺寸、用途。因为在后续回填过程中文件名直接决定了这张图能否被正确替换。6.2 批量超分脚本以下是一个基于 Python 调用 Real-ESRGAN 的批量放大脚本示例# 文件路径scripts/esrgan_batch.py import os import sys from basicsr.archs.rrdbnet_arch import RRDBNet from realesrgan import RealESRGANer from PIL import Image input_dir assets_raw/portraits output_dir assets_upscaled/portraits os.makedirs(output_dir, exist_okTrue) model RRDBNet(num_in_ch3, num_out_ch3, num_feat64, num_block23, num_grow_ch32, scale4) upsampler RealESRGANer( scale4, model_pathweights/RealESRGAN_x4plus.pth, modelmodel, tile256, tile_pad10, pre_pad0, ) for filename in os.listdir(input_dir): if not filename.lower().endswith((.png, .jpg, .jpeg)): continue input_path os.path.join(input_dir, filename) output_path os.path.join(output_dir, filename) try: img Image.open(input_path).convert(RGB) output, _ upsampler.enhance(img, outscale4) output.save(output_path) print(f[OK] {filename}) except Exception as e: print(f[FAIL] {filename}: {e})这个脚本的关键点是tile256。如果原图比较大一次性放大容易显存溢出切片处理可以避免这个问题。basicsr和realesrgan只是示例依赖如果你是直接使用 Real-ESRGAN 官方仓库需要按官方 README 安装对应版本。6.3 批量 img2img 重绘脚本接下来是一个调用 Stable Diffusion WebUI API 的批量重绘脚本示例。这里假设你在本地启动了 WebUI 并开启了--api参数# 文件路径scripts/img2img_batch.py import base64 import json import os import requests from io import BytesIO from PIL import Image API_URL http://127.0.0.1:7860/sdapi/v1/img2img INPUT_DIR assets_upscaled/portraits OUTPUT_DIR assets_redrawn/portraits os.makedirs(OUTPUT_DIR, exist_okTrue) def encode_image(path): with open(path, rb) as f: return base64.b64encode(f.read()).decode(utf-8) def decode_image(b64_str): return Image.open(BytesIO(base64.b64decode(b64_str))) for filename in os.listdir(INPUT_DIR): if not filename.lower().endswith(.png): continue input_path os.path.join(INPUT_DIR, filename) payload { init_images: [encode_image(input_path)], prompt: masterpiece, best quality, anime style, clean lineart, super robot wars style, detailed mecha, sharp face, negative_prompt: lowres, bad anatomy, bad hands, blurry, jpeg artifacts, watermark, text, denoising_strength: 0.4, steps: 30, width: 1024, height: 1024, cfg_scale: 7.0, sampler_name: DPM 2M Karras, } response requests.post(API_URL, jsonpayload) if response.status_code ! 200: print(f[FAIL] {filename}: HTTP {response.status_code}) continue result response.json() output_img decode_image(result[images][0]) output_path os.path.join(OUTPUT_DIR, filename) output_img.save(output_path) print(f[OK] {filename})这个脚本的核心参数是denoising_strength。建议在正式跑批量任务之前先在单张图上测试 0.3、0.4、0.5 三档重绘幅度找到细节提升了但角色形象没崩的临界值。这个值会直接决定批量任务的有效率。6.4 并行调度的 Batch 脚本由于单卡串行跑十万张图耗时太长实际项目需要做多卡或多机并行。最简单的方式是用 shell 脚本把输入目录按文件数量切分成多个任务每个任务指定不同的输出目录# 文件路径scripts/run_parallel.sh INPUT_DIRassets_upscaled/portraits OUTPUT_DIRassets_redrawn/portraits nproc8 for ((i0; inproc; i)); do mkdir -p ${OUTPUT_DIR}_${i} done # 把文件列表切成 8 份交给 8 个进程同时处理 ls ${INPUT_DIR}/*.png | split -n l/8 - task_list_ for i in $(seq 0 7); do python img2img_batch.py \ --input-list task_list_a${i} \ --output-dir ${OUTPUT_DIR}_${i} \ --device cuda:${i} done wait当然这里的 WebUI API 脚本默认只请求本机 7860 端口要支持多卡你还需要为每张卡启动一个独立的 WebUI 实例或者改用 ComfyUI API并分别监听不同端口。这并不是什么高深技术但在工程组织上很考验细心程度。7. 质量筛选从十万张里挑出合格图生成只是第一步。十万张图出来之后真正的筛选工作才开始。如果全部靠人眼一张张看会把人看废掉。比较现实的做法是分三层筛选。7.1 第一层技术指标自动过滤这一层用程序去筛掉明显不合格的图。常见自动检测项包括图像是否损坏能否正常解码分辨率是否达标图像是否出现大面积纯色块模型输出异常是否包含异常噪点边缘是否出现明显的接缝可以写一个简短的检测脚本用 OpenCV 检测图像边缘密度和方差帮助筛掉模糊结果# 文件路径scripts/filter_blurry.py import cv2 import os import numpy as np def is_blurry(image_path, threshold100.0): img cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) if img is None: return True laplacian_var cv2.Laplacian(img, cv2.CV_64F).var() return laplacian_var threshold for root, _, files in os.walk(assets_redrawn): for name in files: path os.path.join(root, name) if is_blurry(path): print(f[BLURRY] {path})这类脚本虽然简单但能大大缩减人工审核范围。不过自动过滤只能筛掉明显错误无法判断风格对不对角色像不像。7.2 第二层对比图人工快速筛选更常用的方法是把原图和重绘结果拼在一起生成对比图然后按批次人工快速浏览。拼图脚本很常见# 文件路径scripts/make_compare_grid.py from PIL import Image import os original_dir assets_raw/portraits redrawn_dir assets_redrawn/portraits output_dir compare_grid os.makedirs(output_dir, exist_okTrue) for name in os.listdir(redrawn_dir): orig_path os.path.join(original_dir, name) redrawn_path os.path.join(redrawn_dir, name) if not os.path.exists(orig_path): continue orig Image.open(orig_path).convert(RGB) redrawn Image.open(redrawn_path).convert(RGB) width orig.width redrawn.width height max(orig.height, redrawn.height) grid Image.new(RGB, (width, height), (255, 255, 255)) grid.paste(orig, (0, 0)) grid.paste(redrawn, (orig.width, 0)) grid.save(os.path.join(output_dir, name))对照图会让是否保留了角色特征这个问题变得一目了然。如果一眼看过去角色判若两人直接淘汰如果细节明显提升候选保留如果模棱两可再放大细看。7.3 第三层不同光照、表情、机体涂装的交叉一致性检查机战UX中的角色和机体会出现在多个场景中。同一角色在立绘、头像、剧情对话框、战斗特写中出现时必须保持形象一致。因此最终环节需要把同一个角色多张重绘结果放在一起对比确认脸型、服装配色、机体涂装没有出现明显漂移。这个环节没有捷径必须人工审查。但可以做一个辅助工具按角色或机体名建立目录自动汇总该角色所有候选重绘图的缩略图索引方便快速翻看。从工程角度看整个筛选流程可以定义为一条质量门禁自动过滤通过 - 人工对比通过 - 交叉一致性通过 - 允许回填。每一道门都只允许特定比例的图通过保证最终进入游戏包的素材质量可控。8. 回填与验证重绘素材如何安全进入游戏素材筛选完成后进入回填阶段。这一步在技术上不复杂但风险最高因为一旦格式不对可能导致游戏崩溃、显示花屏、透明通道丢失。8.1 格式与命名必须严格匹配游戏引擎读取素材时通常依赖文件名和目录结构。重绘后的图片即使内容很好如果文件名对应不上游戏也不会加载它。因此项目建议在解包初期就建立一份完整的文件映射表original_name - redrawn_name - in_game_path每次回填前用脚本校验数量、文件大小、格式是否合规。8.2 透明通道是重绘最容易丢失的细节机战UX的大量素材是带透明通道的立绘和头像。AI 重绘输出的是 RGB 图片透明通道往往需要单独处理。一种经典做法是先把原始透明通道保存下来AI 只重绘 RGB 内容最后把原始 Alpha 通道重新贴回去。# 文件路径scripts/restore_alpha.py from PIL import Image import os original_dir assets_raw/portraits redrawn_dir assets_processed/portraits output_dir assets_final/portraits os.makedirs(output_dir, exist_okTrue) for name in os.listdir(redrawn_dir): orig_path os.path.join(original_dir, name) redrawn_path os.path.join(redrawn_dir, name) if not os.path.exists(orig_path): continue orig Image.open(orig_path) redrawn Image.open(redrawn_path).convert(RGBA) if orig.mode RGBA: redrawn.putalpha(orig.getchannel(A)) output_path os.path.join(output_dir, name) redrawn.save(output_path) print(f[OK] {name})这个细节看似简单实际批量处理时非常容易出现因为某些素材的 Alpha 通道并不干净可能带有羽化边缘直接替换会导致半透明区域显示异常。稳妥的做法是保留原始 Alpha并抽样若干张图在游戏内预览。8.3 小规模灰度验证回填后不要立刻全量替换。建议先挑一个章节、一个角色、一组战斗动画做小规模回填并测试。重点观察游戏能否正常启动角色立绘比例是否正常机体涂装是否走样对话框与头像是否错位战斗演出中素材切换是否正常一旦发现异常可以快速回滚到原始素材并对问题进行定位。9. 常见问题与排查方法结合老游戏 AI 重绘项目的典型问题整理了下面这张排查表。问题现象可能原因排查方式解决方案重绘后角色脸型变化denoising_strength 过高对比原图观察五官轮廓降低重绘幅度加入 ControlNet 约束角色涂装颜色漂移LoRA 权重不足或提示词不准确检查同一角色多张图的配色补充角色参考图训练更精确的 LoRA战斗动画帧闪烁对序列帧做了独立重绘连续播放多帧观察差异改为统一超分或共享同一套重绘参数图形细节出现重复纹理模型多次放大产生伪影放大图片局部查看纹理周期降低 outscale分多次放大游戏内透明区域为黑色重绘后丢失 Alpha 通道检查输出图是否包含透明通道用脚本恢复原始 Alpha生成速度太慢单卡串行处理查看 GPU 利用率多卡并行按输入列表切分任务素材回填后游戏崩溃文件格式或尺寸不匹配核对原素材元数据严格按游戏要求转换格式所有问题里最隐蔽的是角色一致性问题。它不会让游戏崩溃但会让老玩家在剧情对话时明显感觉这个角色变了个人。这也是为什么交叉一致性检查不能省。10. 最佳实践与工程建议如果你也想尝试做一个类似的 AI 超清重绘项目下面这些建议可以直接复用。10.1 先做素材清单再开跑批量任务很多项目一开始就急着调模型、跑批量结果发现解包后的素材有大量重复、无效、白边图白白浪费算力。正确顺序是先做素材摸底统计总数量、尺寸分布、格式分布、透明通道占比、重复素材比例。基于这个清单再决定哪些素材需要重点重绘哪些只需要超分。10.2 建立样本库保持角色一致在正式批量生成前先为每个重要角色或机体建立参考样本库。这个样本库可以用于训练 LoRA生成时作为参考图人工筛选时的对照标准样本库建议包含该角色在不同角度、不同表情、不同光照条件下的原始素材一般每个角色 20 到 50 张即可满足 LoRA 训练需求。10.3 用版本号管理重绘素材重绘项目最大的工程灾难是改到一半分不清哪个版本是最新的。建议素材目录使用语义化版本assets_v1.0_upscaled/ assets_v1.1_redrawn/ assets_v1.2_alpha_fixed/ assets_v1.3_final/每一步处理都新建目录不覆盖上一版本。这样即使发现某一步出了问题也能直接从上一版本重新处理而不需要重新跑全部流水线。10.4 记录每张图的生成参数为每张生成的图记录一个 JSON 文件内容是完整的生成参数{ input_file: mecha_01.png, model: sdxl_anime_v6.safetensors, lora_weights: [mecha_ux_style_v3.safetensors:0.8], controlnet: lineart, denoising_strength: 0.4, seed: 123456789, prompt: masterpiece, best quality, ..., status: accepted }这看起来是额外工作但在出现批量差异、需要复现某张图时参数记录就是唯一可靠的复现依据。10.5 算力不够时的成本控制策略十万张图的生成量对个人作者是不小的成本。几类省钱策略值得参考先小批量测试再全量跑不要一上来就铺十万张优先用超分处理背景图用重绘处理角色和机体图同一素材只重绘一次后续通过尺寸缩放满足不同场景需求在本地空闲时段或低电价时段运行批量任务10.6 尊重版权与合规发布这类基于商业游戏素材的 AI 重绘项目通常不涉及官方商业授权。个人技术研究和同好交流可以围绕方法本身展开但大规模发布、传播或商业使用原始游戏素材时仍需保持谨慎注意版权合规边界。这也是技术讨论与资源分发之间需要明确区分的原因。11. 总结这一版机战UX到底做了什么从技术层面看大灰鹅的机战UX超清重绘版最值得借鉴的不是某张图的效果而是它证明了AI 重绘 素材复用 规模化筛选这条路径在游戏画面修复场景中是可行的。它没有选择成本高、闪烁问题难以解决的逐帧视频重绘路线而是抓住了机战UX以静态素材为核心的特点用超分 img2img 重绘 批量筛选 素材回填的组合拳把老游戏画面提升到一个现代屏幕上可以接受的水平。十万张图抽卡构成了整个项目的规模底座没有足够的生成批次就没有足够的合格产出没有严格的筛选流程高批次只会带来高噪声。对于想复现类似流程的开发者建议从一个小目标开始先挑一个角色收集它的全部立绘和头像素材完成超分 - 重绘 - Alpha 恢复 - 游戏内预览的闭环。跑通这个闭环后再考虑扩展到十万张规模的完整流水线。老游戏 AI 重绘的价值不只是让机器人大战里的机体看起来更锐利而是提供了一套可复用的方法论在模型能力还不够完美的阶段如何用工程手段换取质量、用规模换取确定性。这个思路换成任何批量图像处理任务都能复用。