马上就是十一长假，朋友圈摄影大赛也要拉开帷幕了，今天分享一个应景的产品：Superpose，https://www.superposelabs.ai/
出去旅行，一个重要的任务就是：出图。
今天分享的产品 Superpose 的联合创始人 Melody Chu 就遇到了这个问题。她在接受采访时说，自己的丈夫总是把她拍得很难看，她一直想不明白，对方到底是怎么做到每次都能把她拍得那么糟糕的。
于是，她和另一位前 TikTok 员工一起，做了一款专门教人拍照的 AI 相机，就是今天的主角 Superpose。
它试图在拍照的现场就解决问题：告诉拍摄者手机应该怎么拿，告诉被拍摄者身体应该怎么摆，并且直接生成几张参考照片，让双方知道下一张应该怎么拍。
今年 7月初上线后，Superpose 在约两个半月内获得了超过 2万次安装，用户累计创建了超过 19万个生成结果。
9月15日，公司宣布完成 220万美元种子轮融资，美图也参投了。
前 TikTok 员工，决定解决一个拍照难题
Superpose 的两位创始人都曾在 TikTok 工作，但负责的领域并不相同。
联合创始人兼首席执行官 Melody Chu 是一位具有丰富消费互联网产品经验的创业者。
她曾先后在 Meta、Nextdoor、Roblox、TikTok 和 Slack 从事产品相关工作，在 TikTok 期间参与推出了 Creator Marketplace，也就是连接品牌与内容创作者的商业合作平台。
另一位联合创始人 Jing Liu 则有更深的计算机视觉技术背景。她曾是一家三维人脸扫描创业公司的创始工程师，后来在 TikTok 负责个性化图像和视频生成相关研究。
一个熟悉内容创作者和消费产品，一个研究过人脸与图像生成，两人的经历恰好与 Superpose 的产品方向一致。
Melody 在一个采访中解释了自己的创业动机。
她觉得，计算机视觉和生成式 AI 已经发展到了一个阶段，应该能够解决自己长期以来遇到的拍照难题，而不仅仅是让照片中的人变得更漂亮。
目前，许多 AI 图片产品已经可以让用户上传一张自拍，再生成几十种不同风格的照片。你可以穿上自己从未买过的衣服，站在从未去过的海滩，甚至拥有一组看起来非常专业的时尚大片。
但 Melody 想解决的，是人们已经站在真实的场景里，却不知道怎么拍出一张满意的照片。
公司在产品发布公告中，也明确强调了这一点：
Superpose 的目标是帮助用户拍下自己真正经历的时刻，而不是创造另一个不存在的世界。
因此，它把产品定位得很窄，主要服务于一至三个人的人像拍摄，优先解决旅行、约会、朋友聚会等场景中的拍照问题。
这个定位与一般的 AI 修图产品有一个区别：用户拍照时，往往还没有一张值得修的照片。真正的问题发生在按下快门之前。
先拍一张，AI 告诉你接下来怎么拍
Superpose 的使用流程并不复杂，但它将多项 AI 能力放进了同一次拍摄过程。
假设你和朋友正在旅行，想在一个漂亮的建筑前拍照。打开 Superpose 后，应用首先会根据当前取景画面，对光线、拍摄角度和构图提供实时提示。
例如，拍摄者可以通过屏幕上的反馈，调整人物与背景的位置，避免画面过暗或者构图失衡。
根据苹果应用商店的产品说明，这部分实时指导直接在手机本地运行，不需要将画面上传到云端等待分析。
真正的 AI 生成环节，在拍下第一张照片之后开始。
用户可以先拍一张普通照片，再让 Superpose 根据这张照片生成四张不同姿势的参考图。公司宣称，这个过程通常不到10秒。
与提前在社交平台寻找摄影姿势不同，这些参考图会结合已经拍摄的场景、用户的穿着，以及人物在画面中的位置生成。
比如，你站在海边，AI 可以尝试生成侧身、转头、调整手臂或者改变站姿的几种方案。你不必拿着一张陌生人在巴黎拍摄的照片，再研究怎样把相同姿势搬到眼前的场景里。
用户选中喜欢的参考图后，可以将它固定在屏幕上，进入姿势指导模式。
系统会把提示分成两部分：一部分给镜头前的人，包括手的位置、肩膀的角度和下巴的方向；另一部分给拍摄者，帮助其调整机位与取景。
它还提供姿势轮廓叠加功能，将参考图的人体轮廓直接放在实时取景画面上。
用户可以选择在手机本地快速生成的简化轮廓，或者显示四肢、手指和衣服形状的精细轮廓，再对照调整。
这样一来，两个人终于有了一张共同的参考图。被拍摄者不必再反复说“拍得自然一点”，拍摄者也不用凭感觉猜测对方想要什么。
值得注意的是，Superpose 同时提供两种结果：用户可以直接保存 AI 生成的照片，也可以按照参考姿势重新拍摄，获得一张现场拍下的新照片。
这两种照片并不相同，前者是生成式 AI 的图像结果，后者才是用户重新拍摄的真实照片。
这也是理解这款产品时不能忽略的边界，尽管公司强调希望保留真实场景，但 AI 生成的版本仍有可能改变人物的局部细节。
但也有报道提到，部分生成姿势显得夸张，有时甚至有些不自然，Melody 也承认了这个问题，并表示团队正在改进生成效果和个性化能力。
这款 AI 相机，具体用了什么技术？
Superpose 的 AI 能力可以分成三个相互配合的部分：实时拍摄指导、生成式图像，以及个性化学习。
实时指导主要负责判断眼前的拍摄条件。它需要分析画面中的人物、光线和构图，再给出能够立即执行的提示。
由于用户已经站在拍摄现场，等待时间越短越好，所以 Superpose 将这部分能力放在手机本地运行。
生成式图像则需要更强的模型能力。根据 Superpose 的隐私政策，Google Gemini 是其 AI 图像生成服务提供商。
用户使用云端生成功能时，照片会被发送给第三方服务商处理，用于生成姿势参考或其他图像结果。
第三部分是个性化，也是团队希望继续发展的方向。
Superpose 的隐私政策已经明确说明，产品会收集用户对生成结果的偏好信号，包括保存、分享、下载、丢弃或给予负面评价的图片。
这些信息可以帮助系统逐渐了解用户的审美。
公司也在发布公告中表示，希望随着用户拍摄次数增加，系统能够更准确地理解每个人对好照片的不同定义。
这项能力如果能够真正完善，可能比单纯生成更多姿势更有价值。
同样站在一栋建筑前，有人喜欢看起来很随意的生活照，有人希望拍出时尚杂志的感觉，还有人只想拍一张自然的游客纪念照。
对于这些人而言，统一生成一套标准姿势，未必能满足需求。
但这里仍然存在一个实际问题：
产品需要积累多少数据，才能准确理解个人偏好？用户每次保存一张照片，究竟是因为喜欢那个姿势、光线，还是自己的表情？
此外，AI 摄影还有一个绕不开的问题：人脸一致性与隐私。
Superpose 的隐私政策提到，为了在不同生成照片中识别并保持人物一致，系统可能从上传照片中提取人脸几何信息。
其政策允许利用这些生物识别数据改进个性化模型及通用模型，同时明确，第三方 Gemini 服务商受到合同约束，不得将这些数据用于训练 Google 自己的模型。
这里有一个值得注意的细节：应用商店的产品说明称，不会使用用户照片训练 AI 模型；但公司隐私政策中，确实包含利用提取出的生物识别数据改进模型的条款。
对于一款需要用户上传大量个人肖像的应用而言，生成效果固然重要，能否让用户清楚地理解自己的照片和人脸数据将如何被使用，同样影响长期信任。
两个月融资 220万美元，它靠什么赚钱？
Superpose 在7月初登陆苹果应用商店，9月15日正式发布产品和融资公告。
根据公司当时披露的信息，应用已经获得超过 2万次安装，用户创建了超过 19万个生成结果。
这些数字说明，产品已经吸引到一批早期尝试者，但还不能据此判断用户留存、付费转化或收入情况。
19万个生成结果也不等于19万名用户，因为同一个用户完全可能反复生成多组照片。
不过，Superpose 的收费方式值得关注。
目前的美国应用商店说明显示，用户每天可以获得免费生成额度。如果需要更多，可以一次性购买：
5组生成额度为2.99美元，20组为9.99美元，每组可以生成4张姿势参考图。购买的额度不会过期，也不需要每月订阅。
这与它的使用场景比较吻合。多数普通用户可能不会每天都需要 AI 帮忙拍照，但在旅行、聚会或者约会时，需求会突然变得强烈。
与其要求这些用户每个月订阅，不如让他们在某次拍摄时，为额外的生成次数付费。
用户已经到达目的地，也已经拍下了一张不太满意的照片，付费需求发生的时刻与使用场景非常接近。
但这样的模式也有自己的难题。
用户每天能够免费生成多组照片，如果这些额度已经足够满足普通拍摄需求，付费转化就可能受到限制。
反过来，如果免费体验过于有限，用户也可能在尚未感受到产品价值之前，就决定不再使用。
而且，照片生成涉及云端模型调用，使用量增加不只意味着潜在收入增加，也可能带来更高的推理成本。
公司尚未公布模型成本、付费转化率、复购率和实际收入，因此现在还无法判断按次收费能否支撑长期经营。
此次 220万美元种子轮融资中，美图的参与尤其值得关注。作为长期经营影像处理与美颜产品的公司，它与 Superpose 所在的消费影像赛道有直接关联。
但这笔投资目前尚不足以证明，双方未来会在模型、产品或流量渠道上进行何种程度的合作。
对 Superpose 而言，融资能够支持其继续完善技术和获取用户，但真正需要验证的商业问题仍然是：
用户在第一次体验之后，会不会在下一次旅行或者聚会时再次打开它，并愿意为更多结果付费？
拍照姿势指导并不是新需求，AI 改变了什么？
其实，早在生成式 AI 普及之前，就已经有人尝试解决类似问题。
2019年，摄影媒体 Digital Camera World 介绍过一款韩国应用 SOVS。
它允许用户将人物的半透明姿势轮廓叠加到相机取景画面上，拍摄者只需要调整机位，让镜头前的人与轮廓重合，就能模仿预设的拍照姿势。
这个功能与 Superpose 如今提供的姿势轮廓指导非常相似。
但当年的 SOVS 主要依赖预设姿势，而 Superpose 增加了一项重要能力：结合用户实际所处的场景，直接生成可以参考的姿势图。
这也是生成式 AI 真正发挥作用的地方。它不再要求用户从一套固定模板里寻找最接近当前场景的姿势，而是根据眼前的照片，创造新的参考方案。
问题在于，随着 AI 能力逐渐进入手机原生相机，这种优势能保持多久？
2025年，Google 已经在 Pixel 10 系列推出 Camera Coach，利用 Gemini 分析场景，为用户提供光线、构图、取景、相机模式等方面的建议。
用户可以先让系统预览当前画面，再选择拍摄主题，跟着相机给出的步骤调整。
Adobe 也在2026年7月，为其实验性摄影应用 Project Indigo 推出了 AI Playground。其中的照片指导功能可以评价已经拍摄的照片，并提出重新拍摄或者后期编辑的建议。
Adobe 甚至在技术博客里专门讨论了一个细节：AI 给出的拍照建议，必须考虑当前手机实际拥有的镜头能力。
因为告诉用户调整一个手机根本不支持的光圈参数，并不是一条有用的摄影建议。
相比之下，Superpose 聚焦的是更具体的人像姿势和拍摄者之间的协作，而不是面向所有摄影场景的通用指导。
不过，当手机厂商已经开始把 AI 摄影指导直接放进原生相机，Superpose 就需要提供足够突出的体验，让用户愿意在系统相机之外，再打开一个独立的应用。
它的机会或许在于，把摄影指导做到足够具体，尤其是让普通人能够快速理解并执行。
但如果每次拍照都要先生成图片、选择姿势、查看说明，再调整身体和机位，那么这种帮助也可能变成新的操作负担。
对于旅行拍照来说，十秒钟可能很短，也可能很长。用户是不是愿意多花这段时间，最终取决于拍出来的照片是否真的更好。
最后，Superpose 还有一个值得持续观察的问题：它究竟是一款 AI 摄影教学工具，还是一款披着教学外衣的 AI 图片生成应用？
这两种产品，满足的需求其实不同。
如果用户只是希望获得一张足够漂亮的照片，那么直接保存 AI 生成结果可能更加方便，也不需要再花时间重新摆姿势。
但如果用户想要真实记录某次旅行、某个场景，或者与朋友一起拍摄的经历，那么 AI 生成的参考图只是中间步骤，最终仍然需要现场重新拍摄。
Superpose 目前同时提供这两种体验。它能否把用户从前者引导到后者，决定了摄影指导究竟是一个核心产品价值，还是生成式图像之外的附加功能。