文本到图像扩散模型能够生成多样化、高质量的图像。但在手部渲染上存在困难，常产生解剖结构不正确的手部，从而导致“恐怖谷”效应。

为此，Seeing Machines联合澳大利亚国立大学提出，用于修复扩散模型生成图像中扭曲手部的端到端工具HandCraft。HandCraft能够与现有的预训练扩散模型无缝兼容，采用即插即用的设计，无需额外的微调或训练。相关论文成果收录于WACV 2025顶会上。

HandCraft利用自动生成的手部模板图作为条件信号，能够修复扩散模型生成图像中的扭曲手部，使其解刨结构正确，实现精准的局部修复，不影响图像的其他部分；同时保持图像的姿势、颜色和风格一致，提高了图像的真实感，避免了“恐怖谷”效应。

该团队还提出了MalHand数据集，其中包含多种风格中形态错误的手部生成图像，用于手部检测训练和手部修复基准测试；并通过定性和定量的评估展示了HandCraft在恢复手部解剖正确性的同时，还能保持图像整体的完整性。

12月25日晚7点，智猩猩邀请到论文一作、澳大利亚国立大学博士秦震岳参与「智猩猩AI新青年讲座」第261讲，主讲《扩散模型生成图像中的扭曲手修复》。