📢 转载信息
原文作者：Liam Byrne, Kim Robins, Philipp Hinderberger, Sebastian Angersbach, Philip Trempler, and Weiran Zhang
本文由大众汽车集团的 Sebastian Angersbach、Philip Trempler 和 Weiran Zhang 共同撰写。
大众汽车集团是全球最大的汽车制造商之一，仅 2025 年前九个月就交付了 660 万辆汽车。该集团旗下拥有大众、奥迪、保时捷、兰博基尼、宾利等十个品牌。2025 年，AWS 生成式 AI 创新中心与大众汽车的营销和技术团队合作，构建了一套既能利用 AI 的速度与规模，又能严格保持品牌精度的营销图像生成与评估方案。
挑战：全球化规模与品牌精度之间的平衡
大众汽车每年需要制作数千个营销素材。传统的拍摄方式不仅成本高昂，且难以满足品牌对于不同角度、光照和地区适应性的海量需求。更严峻的挑战在于合规性验证：如何确保每一张生成的图像都完全符合各品牌独特的视觉语言？
利用生成式 AI 实现规模化品牌图像创作
初期实验表明，基础扩散模型无法精确还原大众汽车特有的设计细节（如格栅纹理、轮毂样式）。为此，团队通过 DreamBooth 技术，利用来自 NVIDIA Omniverse 数字孪生的训练数据对 Flux.1-Dev 模型进行了微调，并在 Amazon SageMaker AI 端点上部署。此外，通过 Amazon Nova Lite 进行自动提示词优化，确保了生成内容符合品牌审美。
自动化质量控制：组件级评估
为了解决传统指标（如 PSNR/SSIM）无法精准评估的问题，团队引入了基于计算机视觉的组件分割技术，将车辆拆分为轮毂、格栅、大灯等部件。通过 Florence-2 模型进行分割，并由 Amazon Bedrock 上的 Claude 4.5 Sonnet 充当“智能评审员”，根据详细的评分标准对每个细节进行打分，确保技术层面的完美复刻。
品牌合规性与持续改进
除了技术指标，合规性（如地区法规、视觉语调）同样关键。团队通过合成训练数据对 Nova Pro 模型进行监督微调（SFT），使其能够像专家一样判断一张图是否符合特定的品牌标准或地区性合规要求。这种方法不仅显著提升了审核效率，还为大众汽车实现了个性化、高质量的全球营销内容生产。
“通过将我们的领域专业知识与 AWS 相结合，我们构建了一个让营销更快、更智能、更安全的生成式 AI 平台。” —— Sebastian Angersbach，大众汽车集团服务部 IT 战略与创新主管
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区