Inpainting

1. 3秒看懂

Inpainting（影像修復/影像補全）是指利用計算機視覺和生成式AI演算法，根據影像現有區域的紋理、結構與語義資訊，自動填充被遮擋、損壞或人為移除的區域，使修復結果在畫素級、語義級及風格上均與整體畫面自然融合。它從傳統的“畫素搬運”進化為“語義級內容創造”，是生成式AI在影像處理領域的核心基礎任務之一。

2. 3分鐘產業解釋

在AI產業鏈中，Inpainting位於生成式AI應用層的腰部位置——它既非獨立硬體，也非一款孤立App，而是作為一種標準能力被廣泛嵌入到影像編輯軟體、內容生成平台和行業解決方案中。從產業功能看，Inpainting是影像創作工作流中的“修復師”：攝影師用它去掉多餘物體，電商設計師用它高效換背景，影視後期團隊用它擦除威亞和穿幫鏡頭。

其產業價值可以從三個維度衡量：

• 效率替代：將過去需要專業美工數十分鐘的手工修補，壓縮到秒級生成，使人均產出成倍提升。Adobe 2023年的一項內部調查顯示，採用生成式填充的Photoshop使用者的設計修訂時間平均縮短了60%以上（來源：Adobe Blog, 2023）。
• 能力下沉：使不具備專業設計技能的普通使用者能夠完成複雜影像編輯，這在社交媒體內容創作、電商產品圖製作等場景中打開了全新增量市場。
• 使能新場景：在醫療影像（病灶區域智慧填充以輔助對比分析）、文化遺產數字化（壁畫缺損預測性補全）等專業領域，Inpainting正從輔助工具轉變為研究中不可或缺的分析手段。

整條價值鏈的上下游分工清晰：上游為核心生成模型（擴散模型、自迴歸模型等）和訓練資料、算力硬體；中游為模型服務商和API平台；下游為整合該能力的專業軟體、消費級應用及各垂直行業解決方案。理解這一結構是評估產業卡位與受益邏輯的前提。

3. 技術原理

Inpainting本質上是一個條件生成問題。給定原始影像 I 和一張待修復區域的二值掩碼 M（通常其中1代表待修復區域，0代表保留區域），模型需生成一個合理的內容 I_{text(out)}，使得：

I_{text(out)} = text(Generate)(I \odot (1-M), \ M, \ text(可選條件)),

並且 I_{text(out)} 在保持 1-M 區域畫素不變的前提下，填充區域在區域性和全域性上與上下文高度一致。

現代主流方案以擴散模型為核心引擎，其工作機制可概括為一個迭代式的條件去噪過程：

1. 前向擴散（訓練階段）：在訓練時，對一張乾淨影像逐步新增高斯噪聲，直到變為純噪聲，網路學習在每個時刻預測所加的噪聲。對於Inpainting任務，輸入不僅包含當前帶噪影像，還會在通道維度拼接被掩碼「破壞」後的影像（即保留區域可見，待修復區域設為全灰色或隨機值）以及掩碼本身。因此，網路學會了“看見噪聲、已知可見部分和要求填充的區域”三個訊號，並推算出應去除的噪聲方向。
2. 反向生成（推論階段）：從一張純隨機噪聲圖開始，在每一步執行：將當前帶噪圖與掩碼破壞圖、掩碼拼接後送入U-Net（或Transformer）骨幹網路；網路預測該步噪聲；根據預測噪聲對帶噪圖進行一步去噪；最後一步輸出即為完整的、符合上下文語義的修復結果。為了增強可控性，可在U-Net中引入交叉注意力層，注入文本提示或參考影像特徵，實現文本引導或風格引導修復。

技術難點除了常見的生成質量外，Inpainting對邊界一致性（修復區域與保留部分的顏色、光照、紋理無縫銜接）、長程結構推論（當掩碼覆蓋大範圍時，模型必須推斷出透視、遮擋和完整物體形態）以及多樣性控制（生成內容既合理又不會出現不切實際的隨機紋理）提出了更高要求。為了解決這些問題，研究者通常在掩碼策略、微調技術和條件注入設計上長期迭代。

4. 關鍵引數

在實際部署與體驗中，理解以下引數有助於把握Inpainting能力邊界和調優方向：

• 掩碼策略與預處理
  • 掩碼形狀生成：訓練時通常採用不規則矩形、筆刷塗抹區域或隨意物體輪廓，以模擬真實使用者操作。測試發現，掩碼邊緣的柔和度（feathering）對邊緣銜接效果影響顯著；邊緣過於銳利易產生可見接縫，通常在推論前對掩碼施加微小高斯模糊（mask_blur引數）。
  • 掩碼尺寸佔比：待修復區域佔全圖的比例決定了難度。小於10%為小面積補丁，模型主要依靠紋理延續；大於40%時進入大範圍語義推論，對模型的全域性結構理解提出極高要求。
• 引導尺度（CFG scale） 在基於文本提示的修復中，無分類器引導（Classifier-Free Guidance）權重控制了生成內容與提示詞的貼合程度。低CFG值（如1～3）讓模型更多遵循影像視覺上下文，適合無文本條件的自然補全；高CFG值（如7～15）強制生成內容向文本描述靠攏，但可能引起過飽和、偽影或偏離周圍光影。
• 去噪步數（Steps） 擴散模型的反向過程步數一般在20～50步之間即可獲得較優結果，過少導致欠去噪和模糊，過多則延長推論時間而邊際收益遞減。當前一些蒸餾擴散模型已可將步數降至1～4步，對即時互動至關重要。
• 修復區域強度（Denoising Strength） 在某些管線中，引數控制對掩碼區域加噪的強度。強度越高，模型對原始殘留資訊的破壞越大，生成自由度就越高，但也可能完全忽略該區域原本微弱的紋理線索。這是權衡“創造性”和“保真度”的關鍵旋鈕。
• 條件注入架構
  • 通道拼接：直接拼接破壞圖與掩碼是最常見的條件注入，它保留了空間對齊關係，適合結構保持。
  • 交叉注意力：將文本或語義特徵通過注意力機制注入U-Net的中間層，賦予高層語義控制。
  • ControlNet/介面卡：可附加邊緣圖、深度圖等結構條件，實現高度可控的幾何級修復，例如在填充區域內強制生成預設輪廓。

衡量這些引數組合的綜合效果，常用指標在下文「追蹤指標」部分做系統說明，但直觀評估往往依賴使用者主觀研究。

5. 技術路線

Inpainting技術路線可依底層生成範式分為四代，當前處於擴散模型主導、自迴歸與GAN區域性共存的多元時期。

技術路線	核心機制	代表性方法	輸出特徵	典型侷限	當前應用地位
基於補丁/紋理合成	在相同影像的可見區域搜尋最佳匹配影像塊進行復制填充	PatchMatch, Content-Aware Fill早期實現	紋理延續性好，區域性保持高畫質	完全無語義理解，無法處理複雜結構	僅用於細紋、劃痕等微修
基於GAN	生成器與判別器對抗訓練；生成網路輸入被破壞影像，輸出修復影像	Context Encoders, PartialConv, GatedConv, EdgeConnect	語義填充能力出現，可生成較清晰紋理	訓練穩定性差，多樣性與真實感受限；對大面積掩碼常產生偽影	部分輕度修復場景，非前沿
基於擴散模型	從噪聲迭代去噪，並將可見區域和掩碼作為條件引導	Stable Diffusion Inpainting, RePaint, DALLE·2編輯	生成質量頂尖、多樣性豐富、支援文本引導，訓練穩定	推論算力消耗大，低端裝置上延遲較高	當前工業與開源生態絕對主流
基於自迴歸Transformer	將影像序列化為離散Token，逐塊預測掩碼區域	VQGAN+Transformer, MAE衍生方法	理論長程語義捕獲能力	生成速度極慢，高解析度影像Token序列過長；並行性不足	學術探索，非應用核心

2023-2024年的趨勢是上述路線出現融合：擴散模型也可結合Transformer架構（如2024年Stable Diffusion 3採用MMDiT骨幹），並嵌入自迴歸元件處理區域性細節；而GAN訓練技巧被用於擴散模型蒸餾加速。但從交付質量與工程友好度看，條件擴散管道依然是首選基座。

6. 上游

Inpainting功能的實現與效能提升依賴以下上游要素：

• 基礎生成模型：擴散模型（DDPM、LDM）、U-Net架構、視覺Transformer（ViT）等。Stability AI的Stable Diffusion系列（尤其是專為Inpainting微調的版本）、OpenAI的DALL·E 2/3中的編輯模組、Midjourney的Vary Region均為產業基座。
• 訓練資料集：通用影像資料集LAION-5B、COCO、ImageNet提供了預訓練基礎；為提升修復效果，需在訓練時動態生成海量“影像-掩碼”對，掩碼生成策略（隨機矩形、筆刷、物體分割掩碼）對模型魯棒性至關重要。同時，部分專有領域依賴私有高質量資料（例如醫療影像需脫敏後的專業標註資料）。
• 算力硬體：模型訓練通常要求數百至數千張高效能GPU（如NVIDIA A100/H100）叢集。推論端雖逐步下放到消費級GPU（如RTX 4090），但高解析度、大批次場景仍依賴雲端端GPU例項。主要供應商包括NVIDIA、AMD，以及雲端端算力平台（AWS、GCP、Azure）。
• 工具與架構：PyTorch、JAX等深度學習架構；Hugging Face Diffusers庫為開發者封裝了標準Inpainting pipeline，大幅降低使用門檻。

上游的發展重心在於：降低訓練成本、縮小模型體積以適配端側、建置更豐富的條件注入方式（如結合3D幾何先驗）等。

7. 下游

下游按使用者型別和應用場景可分為四個主要層級：

• 專業創意工具 Adobe Photoshop的“生成式填充”、Affinity Photo的AI修復工具、DaVinci Resolve中的物體移除功能等。這些是營收規模最大、付費意願最強的市場，針對攝影師、設計師、影片剪輯師。
• 消費級影像編輯應用 包括Canva、Picsart、美圖秀秀、Snapseed等，將Inpainting簡化為“一鍵消除路人”“智慧去水印”等功能，面向海量創作者和普通使用者，通常以訂閱或廣告變現。
• 垂直行業解決方案
  • 電商與廣告：自動去除背景雜亂元素，生成乾淨的白底圖或場景圖；利用修復填充產品缺失部分。
  • 影視與遊戲：威亞擦除、穿幫鏡頭修復、遊戲資產生成（如自動補全破損貼圖）。
  • 醫療影像：病灶虛擬填充以模擬正常組織外觀，輔助醫生對比；資料增強以生成更多的訓練樣本。
  • 文化遺產與安防：壁畫、文物虛擬修復；監控影片中被遮擋目標的推測性復原。
• API與模型服務市場 開發者和創業公司按呼叫量付費使用Inpainting API（如OpenAI Images API、Hugging Face Serverless Inference、Replicate等平台），降低下游應用接入門檻，形成分層生態。

下游的擴散邏輯與AIGC整體趨勢一致：最先落地、用量最多的場景集中在降低人工成本與縮短製作週期明顯的領域。

8. 受益公司

以下上市公司或已在財報中證實相關業務受益於Inpainting等生成式AI需求，邏輯基於公開財務和業務進展，不構成任何投資建議：

• Adobe（ADBE）：將Inpainting作為“生成式填充”整合至Photoshop、Lightroom等旗艦產品，極大提升了Creative Cloud的訂閱價值。2024財年第二季度（截至2024年5月31日）Creative Cloud營收年增率增長約11%，管理層在電話會上提到Firefly AI模型對使用者參與度和新訂閱的拉動作用（來源：Adobe FY2024 Q2財報）。
• NVIDIA（NVDA）：作為上游算力核心供應商，Inpainting模型的訓練與推論均需大規模GPU。NVIDIA 2024財年（截至2024年1月28日）資料中心營收達到475億美元，年增率增長217%，其中生成式AI工作負載是主要驅動力（來源：NVIDIA 10-K年報）。H100、B200等晶片持續受益。
• Microsoft（MSFT）：通過Azure AI服務提供DALL·E等模型API，並在Microsoft Designer產品中內建影像修復功能；同時作為OpenAI的雲端運算獨家合作伙伴，間接受益於模型推論用量激增。
• Meta Platforms（META）：雖尚未直接以Inpainting產品變現，但其開源模型（如DINOv2、SAM分割模型）可作為掩碼生成工具，被廣大下游修復管線整合，強化其AI生態影響力。
• Getty Images / Shutterstock：前者與NVIDIA合作推出了基於授權資料的生成式AI工具，支援可靠的修復與編輯服務，並從API呼叫中獲得營收（來源：NVIDIA與Getty Images聯合新聞稿，2024年1月）。Shutterstock亦推出AI影像生成平台，與Inpainting能力結合，為公司貢獻訂閱升級營收。
• 部分國內軟體與內容公司：如萬興科技喵影工廠、美圖公司等，將Inpainting嵌入其影片和圖片編輯產品，並在公開資訊中提及AI功能對轉化率的正向影響，但具體數字公開資料未見詳述。

9. 市場規模

因Inpainting通常不單獨報價，而是作為影像編輯/生成軟體、API服務中的一項功能，其市場體量需通過相關市場進行合理估算。

• 生成式AI影像市場基準：根據Grand View Research於2024年2月釋出的報告《AI Image Generator Market Size, Share & Trends Analysis Report》，2023年全球AI影像生成器市場規模約為29.1億美元，預計2024-2030年將以32.0%的複合年增長率（CAGR）增長，2030年達到174.1億美元。Inpainting作為影像編輯與生成的重要子功能，貢獻其中相當體量。
• 創意軟體消費：Adobe的數字媒體年度經常性營收（ARR）在2024財年第二季度末已達154.1億美元（來源：Adobe 2024 Q2 Earnings），其生成式功能的滲透是ARR維持增長的關鍵因素之一。若將Inpainting等生成式編輯視為功能增量，其間接價值已在百億美元級別的創意軟體市場中體現。
• GPU算力市場對映：每增加一億次Inpainting推論呼叫，對應需消耗大量計算資源。NVIDIA估算AIGC模型訓練一次的成本可達數百萬美元（來源：NVIDIA GTC 2024演講）。隨著使用者量級增長，驅動AI算力市場持續擴容。據IDC 2024年度預測，全球AI基礎設施支出2024年將超過1000億美元，其中與生成式AI相關的計算與影像工作負載增長最快。
• 細分空缺：公開資料未見針對Inpainting單一功能的獨立市場規模資料，市場諮詢機構通常將其納入“AI影像編輯”或“智慧影像修復”功能項下統計，具體金額未有拆分。上述資料為理解其商業價值的近似。

10. 玩家對比

當前主要玩家在Inpainting能力的版面配置、優勢和策略差異化明顯：

維度	Stability AI（SD Inpainting）	Adobe（Firefly生成式填充）	OpenAI（DALL·E系列）	Midjourney（Vary Region）
模型開放度	完全開源，模型權重可下載，社群自定義微調	閉源，通過Creative Cloud服務交付	僅通過API提供，有限編輯端點	閉源，僅內置於Discord/Web介面
核心優勢	生態豐富，支援ControlNet等高度可控修復；算力可自建	與Photoshop無縫整合，理解圖層、蒙版，面向專業流程；商用版權保障	與ChatGPT等文本互動串聯，理解自然語言指令	生成結果藝術感和美學一致性極強，Vary Region修復自然度口碑佳
可控性	高，可精確控制掩碼、步數、CFG，配合OpenPose/Depth等條件	較高，通過選區、提示詞和引數控制；複雜選擇時細節偶有不可控	中等，通過API引數控制，但精細幾何控制弱	中等，主要通過區域選擇加提示詞，不可細調引數
推論成本	可在本地RTX 3060以上執行，成本可控	雲端端完成，包含在訂閱費用中	按Token或圖片呼叫計費，成本可變	包含在訂閱費用中（月度會員）
版權與商用安全	開源模型訓練資料版權爭議較大，商用需自擔風險	Firefly模型宣稱使用授權資料和公有領域內容訓練，提供IP indemnity	資料來源未完全公開，部分版權訴訟仍在進行	未公開詳細訓練資料來源，無明確版權保護計劃
適用人群	技術開發者和願意動手調參的使用者，二次開發	專業設計師、攝影師、已有Adobe生態使用者	開發者和需整合API的企業使用者	追求頂級審美效果的創意工作者
2024年進展	釋出SD3模型，MMDiT架構在多主題修復上進步顯著（來源：Stability AI技術報告）	推出Firefly Image 3模型，生成式填充細節更真實，已全面商用（來源：Adobe Blog）	演示基於GPT-4o的多模態編輯，逐步擴充套件影像修復指令跟隨（來源：OpenAI釋出活動）	推出Vary Region 2.0，支援更高解析度和複雜場景一致性修復（來源：Midjourney官方更新日誌）

綜合來看，無一家佔據絕對主導，競爭走向“專業工具整合”與“開源靈活生態”兩線並行。

11. 風險

Inpainting商業化與技術演進需要正視以下風險因素：

• 版權與法律風險：多數生成模型基於網際網路公開圖片訓練，訓練資料是否包含未經授權的版權作品仍存法律爭議。2023年以來，Getty Images訴Stability AI、部分藝術家集體訴訟等案件仍在審理中，若判例要求模型訓練取得全部授權，可能大幅增加上游成本，影響模型可用性（來源：美國聯邦法院案卷，截至2024年中公開情況）。
• 內容安全與造假風險：Inpainting可用來移除水印、掩蓋關鍵物體，甚至用於偽造影像證據（如司法照片中被消除的人物或物品）。儘管主流產品添加了不可見水印和內容憑證（Content Credentials），但開源模型的監控工具極易被剝離，考驗平台治理能力。
• 技術可靠性風險：在關鍵場景（如醫療影像、取證）中，模型可能會“創造”出不存在的結構（幻覺），導致誤判。模型的修復結果對掩碼邊緣和提示詞高度敏感，輸出一致性有待提升。目前尚無行業公認的可靠度認證體系。
• 隱私風險：當用戶上傳含個人資訊的圖片至雲端端進行修復時，存在資料洩露或被用於模型後續訓練的可能。部分國家的監管（如歐盟AI法案）對生物識別資訊和敏感影像處理設有嚴格限制。
• 競爭與商業模式風險：開源模型的存在壓低了API呼叫的價格天花板，基於純API呼叫的商業模式可能面臨獲利薄、客戶遷移成本低的困境。同時，基礎模型的飛速迭代可能導致高度依賴特定模型的下游產品過時。
• 監管不確定風險：歐盟《人工智慧法案》將某些生成式AI應用劃入高風險範疇，要求供應商履行透明性、可解釋性義務。美國、中國等地也在加速立法。新監管要求可能導致合規成本上升，並對某些修復功能（如人臉修復）施加限制。

12. 誤讀糾偏

• 誤讀1：“Inpainting就是PS仿製圖章/修復畫筆的自動化版。” 糾偏：仿製圖章是畫素級手工取樣複製，完全不具備語義理解；而AI Inpainting理解場景，能推斷並“創造”全新畫素。如從半張臉上修復缺失的眼睛，傳統工具只能從別處複製貼上另一隻眼，而AI可在語義上生成與面部協調的全新眼睛。兩者在能力上有代際差異。
• 誤讀2：“用擴散模型直接生成區域性區域就行，專門的Inpainting模型沒太大必要。” 糾偏：通用文生圖模型未針對“保持已知區域不變”進行最佳化。若直接取區域性噪聲生成後再強行拼貼，必然在邊界產生不一致的接縫和光影跳變。專業Inpainting模型如stable-diffusion-inpainting在數億個“影像-掩碼”對上微調，學會了邊界融合與上下文保持，效果大幅優於“通用模型+後處理”方案。
• 誤讀3：“Inpainting生成的內容不可控，基本靠運氣。” 糾偏：2024年的主流管線已高度可控。使用者可通過文本提示（“深棕色木質地板”）、邊緣圖、深度圖甚至參考圖實現強控制。通過設定CFG scale、掩碼模糊邊緣以及反覆抽樣，可穩定收斂至預期結果。可控性不足通常源於尚未掌握工具，而非能力缺失。
• 誤讀4：“市場已被Adobe等巨頭鎖定，新入局者無機會。” 糾偏：開源生態的繁榮（以Stable Diffusion及衍生模型為代表）使得中小企業甚至個人開發者都能以極低成本建置垂直場景的Inpainting工具，例如針對特定電商類目（鞋服修復）的微調模型。競爭格局尚未固化，尤其是輕量、私有化部署和特定行業解決方案領域仍存在空間。

13. 最新事件

（事件截至2024年7月公開報道，部分進展來自官方通告與技術社群）

• 2024年6月，Stability AI釋出Stable Diffusion 3 Medium：模型架構從傳統U-Net切換到MMDiT（多模態擴散Transformer），在複雜文本理解與高解析度修復任務上取得顯著提升，並開源部分模型權重。社群快速跟進Inpainting管線適配。
• 2024年4月，Adobe Firefly Image 3模型推出：重點提升了“生成式填充”功能，在保留區域光照匹配和複雜材質還原（如透明玻璃、毛髮）上迭代明顯，且全面開放商用。Adobe於2024年第二季度電話會中表示，Firefly系列功能的月使用者生成量已達數十億級（來源：Adobe官方公告）。
• 2024年5月，OpenAI春季釋出會演示GPT-4o影像編輯：在對話中可對圖片指定區域進行修復和修改，顯示將Inpainting整合進多模態互動成為重要方向。
• 2024年3月，Midjourney Vary Region（區域變化）功能增強：支援更大區域的高一致性修復，且對場景光線全域性調整能力提升。
• 2024年7月，Hugging Face Diffusers庫累計下載量超1億次：其中Inpainting相關的pipeline是最熱門的元件之一，反映出開發者對將修復能力嵌入自身產品的強烈需求（來源：Hugging Face公開統計）。
• 2024年歐盟AI法案進入實施階段：要求生成式AI系統提供透明度並標註AI生成內容，對具有“真實感影像修改”功能的Inpainting工具提出合規時間表，部分產品開始在輸出中嵌入C2PA標準後設資料。
• 行業應用爆發：國內多家AIGC初創公司（如LiblibAI、Tiamat）獲得新一輪融資，均將可控Inpainting作為核心亮點，用於遊戲美術和電商設計。

14. 追蹤指標

為持續觀察Inpainting產業發展與技術突破，建議追蹤以下可量化指標及事件：

• 模型評測與論文
  • Papers With Code上“Image Inpainting”基準的SOTA更迭頻率。重點關注LPIPS、FID在CelebA-HQ和Places2標準測試集上的進步。
  • 主流模型（SD3、Flux等）在社群定製Inpainting版本後的A/B使用者偏好投票結果。
• 開源生態活躍度
  • Hugging Face上Inpainting相關模型的下載量、點贊數月度變化。
  • GitHub關鍵專案（如Automatic1111、ComfyUI、stable-diffusion-inpainting）的Star數、Issue活躍度。
• 商業產品訊號
  • Adobe季度財報中Creative Cloud ARR增長率、生成式功能驅動的付費轉化率揭露。
  • 主要雲端廠商AI推論API呼叫量及價格變動趨勢。
• 硬體與算力
  • NVIDIA資料中心營收的AI貢獻分類（財報）; 主要雲端廠商GPU例項的可用區擴容節奏。
  • 消費級GPU（RTX 40/50系）對擴散模型推論的支援效能和普及率。
• 使用者體驗與市場滲透
  • App Store/Google Play圖形與設計類應用下載榜中，主打“消除”功能的AI工具數量及排行榜變化。
  • 電商平台（如Shopify、淘寶）中內建AIInpainting功能的店鋪應用安裝量。
• 監管與標準化
  • 各國AI法案針對影像編輯工具的最終條文實施日期；C2PA等後設資料標準在主流相機和軟體中的支援情況。
  • 重大版權訴訟的判決結果或和解公告（如Andersen v. Stability AI案進展）。

15. 信源

本概念頁所引用或參考的主要資訊來源：

• 學術論文與技術報告
  • Rombach et al., “High-Resolution Image Synthesis with Latent Diffusion Models”, CVPR 2022.
  • Lugmayr et al., “RePaint: Inpainting using Denoising Diffusion Probabilistic Models”, 2022.
  • Liu et al., “Image Inpainting for Irregular Holes Using Partial Convolutions”, ECCV 2018.
  • Stability AI, “Stable Diffusion 3 Technical Report”, 2024.
• 財報與官方揭露
  • Adobe Inc., FY2024 Q2 Earnings Release, June 2024.
  • NVIDIA Corporation, Annual Report (10-K) for fiscal year 2024.
  • 各公司官方部落格與新聞稿（Adobe, OpenAI, Midjourney, Stability AI, Getty Images等）。
• 市場研究資料
  • Grand View Research, “AI Image Generator Market Size, Share & Trends Analysis Report, 2024-2030”, February 2024.
  • IDC, “Worldwide AI Infrastructure Spending Forecast, 2024”.
  • Bloomberg Intelligence, “Generative AI Software Market Sizing”, 2023.
• 行業與社群平台
  • Hugging Face Diffusers文件與模型庫下載統計資料。
  • Papers With Code “Image Inpainting” benchmark頁面。
  • GitHub開源專案運作資料（Automatic1111/stable-diffusion-webui等）。
• 法規與法律檔案
  • 歐盟《人工智慧法案》（AI Act）正式文本、相關審查更新。
  • 美國相關版權訴訟案卷（公開記錄）。

註釋：所有財務、市場與份額資料均標註年份、口徑及來源。無法通過權威公開資料核實的數字，正文已註明“公開資料未見”；產業描述和競爭評價不構成任何形式的投資建議或個股推薦。