这篇有意思的地方不在画质，而在于它承认了一件行业里心照不宣的事：手机拍出来的照片，已经不完全是「拍」出来的——然后给这件事配了一个撤销键。
一、相机自己开始编内容了
「网上的图可能是 AI 做的，但我相机拍的总是真的」——这条直觉正在失效：厂商早已把生成式模块搬进了相机的成像流水线（ISP，负责把传感器读出的原始数据变成你看到的那张 JPEG）。最典型的是数码变焦和夜景模式——传感器要么没记录那么多细节，要么几乎没收到光子，模型就按见过的海量照片「补」出一套合理的纹理。
多数时候补得又好看又接近真相。问题出在少数关键处：远处的车牌、路牌小字、一个二维码。模型不是在恢复这些字符，而是在猜一串看起来像车牌的字符——照片的构图、光影、噪声都无懈可击，中间那几个数字却是错的，且毫无常见的「AI 味」，因为它就是从你相机里直接出来的。更麻烦的是这一步不可逆：ISP 中间尚未被生成过的版本，出厂即丢弃。
二、不拦生成，而是把生成变成可撤销的一层
让相机同时存一份未生成的原图，体积翻倍，厂商不会答应；事后用别的模型去还原，等于用一次猜测纠正另一次猜测。这篇选了第三条路：只存差异，而且不存像素、存一个能算出差异的小函数。
做法借用了隐式神经表示——用一个很小的网络把某一张特定图像「背下来」，输入位置、输出该处的值。拍摄那一刻相机手上同时有生成前后两个版本，于是当场花几秒训练这样一个小网络，让它学会：给定像素位置和一点图像上下文，输出「这里被生成多加了多少」。看图时把网络跑一遍，减掉残差，就退回了生成之前的版本。让网络去拟合残差比拟合整张图划算得多——残差稀疏，好背。
关键数字只有一个：整套东西约 180 KB，直接写进 JPEG / HEIC 的元数据字段（再存一遍原图是几 MB 起步）。这意味着不需要新文件格式、不需要云端副本、不改变分享习惯——照片还是那张照片，只是多背了一小段「我做过什么」的账。
三、可能进入哪些真实工作流
最直接的是影像取证：执法、保险定损这类把照片当证据的场景，需要的是相机保留一条「可回退到测量值」的通道，而不是建议用户关掉夜景模式。其次是内容凭证体系——C2PA 这类标准主要记录「谁在什么时候改过这张图」，对相机内部的生成环节使不上劲；把可逆残差挂进凭证链，等于让「原始性」从一句声明变成一个可验证的操作。
四、存疑的地方
最根本的一条：退回来的那张也不是原图，而是一次重建。论文报告的复原保真度在 33 dB 量级，视觉上很接近但并非逐比特相同。拿它支撑「这才是相机真正测到的东西」这种取证论断，地基有点软——一个被质疑的字符究竟是模型编的还是残差没拟合准，文章没给判据。
其次是部署门槛：训练这个小网络要拿到 ISP 内部生成之前的中间图像，只有相机厂商做得到，第三方 App 无解——它取决于厂商愿不愿意主动交出「我在这里生成过」的证据，而这与画质卖点天然冲突。安全性作者也明确写了不在讨论范围内：能被随手剥掉或伪造的元数据是便利而非保证。
但这篇的价值在提问方式上：当生成已经进入快门内部，「原图」就不再是不言自明的东西，而需要被显式定义和保存。这个问题所有影像厂商迟早都得回答。