AI 修图时反复调整提示词、结果总不尽人意？这篇内容提供了一个新思路：通过将图片解析为 JSON 数据并直接修改参数，实现对 Gemini 修图过程的精准控制。此方法指哪改哪，能有效解决传统修图方式的不可控问题，尤其适合需要精细调整或批量处理的场景。
智能速览
将图片上传至 Gemini，指令其转换为详细的 JSON 数据。
直接修改 JSON 中的坐标、光影、物体等参数进行精准控制。
将修改后的 JSON 提交，可实现指哪改哪、一次成图的效果。
此方法比纯指令修图更可控，比圈图修改更省力。
JSON 修图具备全局性、高精度和可批量处理的自动化潜力。
精华内容
这种被戏称为“邪修”的 JSON 修图法，核心在于将图像从感性的视觉描述转为理性的数据结构。通过直接编辑这些数据，我们能绕过 AI 语义理解的偏差，实现对图像元素的像素级操控。
核心三步走
第一步是将目标图片上传给 Gemini，明确指令要求其输出包含尺寸、构图、光影、物体坐标等信息的纯 JSON 数据。为确保专业性，可以要求其字段命名清晰，无法判断的内容则留空。
第二步是对 Gemini 生成的 JSON 数据进行修改。例如，将天空的’cloudy’属性改为’sunny’，将’bird’对象改为’seagull’，甚至将’car’替换为’transformer’。整个过程无需手动编写，只需将修改需求再次告知 Gemini 即可完成 JSON 的智能编辑。
第三步，将修改后的 JSON 数据粘贴回 Gemini 对话框，并开启图片生成模式。Gemini 会根据新的数据协议渲染出一张精准满足所有修改要求的图片，基本可以做到一次成功。
效果对比优势
与直接使用指令修图相比，JSON 方法在精准度上优势明显。例如，指令“把汽车换成变形金刚”可能会导致 AI 在保留原车的同时，在旁边额外生成一个变形金刚。而通过直接修改 JSON 中的对象定义，可以实现原位置的直接替换，避免了元素叠加或错位的问题。
相较于圈图修改，JSON 修图则省去了手动圈选的步骤。当修改区域众多时，直接编辑数据效率更高。更重要的是，JSON 允许同时控制位置和属性，精度远超依赖用户口头描述的圈图功能，后者有时会因语义模糊而影响效果。
拓展场景应用
此方法在老照片修复领域同样表现出色。传统 AI 修复有时会过度磨皮，丢失真实质感。而使用 JSON 协议，可以更精细地控制修复过程。
操作时，只需将老照片上传，并赋予 Gemini“国家级数字影像修复专家”的身份，要求其生成一份包含光影、纹理、年代感等细节的修复 JSON 协议。通过这种方式修复的照片，能够保留毛孔、纹理等真实细节，模拟出自然光线，达到商业级修复的质感，远非简单的“一键高清”可比。
这种 JSON 修图法，本质上是将 AI 的黑盒操作变得透明和可编程。它不仅提升了单次修图的精准度，更开启了批量处理和自动化修图的大门。未来，这种数据驱动的 AI 交互方式，是否会在更多创作领域被采用？
