RuiC-PoseAtlas：把「姿势、衣装、人脸」做成三本可检索的 AI 绘画参考书

一、故事：AI 绘图卡住的那一刻

你终于调通了 Stable Diffusion，准备给女主角换一套秋装。模型给你出的图很美，但姿势像木偶、衣服像塑料布袋、脸每次生成都不一样。你打开十几个收藏夹，翻遍 Pinterest、Danbooru、ArtStation，翻了四十分钟，最后还是没找到一张「正面、微微侧身、重心在左腿」的参考图。

这就是 RuiC-PoseAtlas 想解决的痛点。它不是一个模型，也不是一个插件，而是一座纯静态的三合一参考图库：里面装着 288 组人体姿态、1,407 套无人衣装、1,499 张虚构人像，全部带中/英/日三语标签，支持搜索、筛选、键盘浏览和原图下载。

图：RuiC-PoseAtlas 项目封面（og-cover.jpg）

二、背景：它为什么长这样

作者 RuiC（仓库 HRuiCcc/RuiC-PoseAtlas）创建于 2026 年 10 月 28 日，一周内冲到了 1,007 star、262 fork，涨速在同期新仓库里相当罕见。这个项目的动机非常朴素：作者自己做 AI 绘画时受够了「素材散落、角度不齐、服装说不清」的折磨，于是把三批原本分散在原站的素材重新整理成了一个统一的静态站。

它同时也是一次「内容工程」的示范。三份原始数据（data/poses.json、data/costumes.json、data/faces.json）都带完整的三语字段，作者没有用一个前端框架，而是用原生 ES Modules 把三个图鉴塞进了同一套设计系统里。

三、类比：像三本美术参考册

• 姿势图鉴 ≈ 人体速写教材：每组姿态给正面、斜侧、侧面、俯视、仰视五个视角，像素描课上的多角度写生。
• 衣装图鉴 ≈ 服装纸样册：1407 套整身穿搭，但没有人体，直接「套」在你已有的角色身上，省掉抠图。
• 人像图鉴 ≈ 角色设定册：893 张脸部 + 606 张造型，用来固定角色的脸和气质。

组合起来就是作者说的那句话：姿势定骨架，衣装定皮相，人像定脸。

四、核心功能与技术细节

姿势图鉴（288 组 / 1,439 张）：以「姿态」为组织单位，五视角收进一张卡片，打开大图后可用方向键 ← → 连续切角度，↑ ↓ 切姿态。图片是 900×1200 的无面部灰色人台线稿，缩略图 300×400 JPEG。

图：姿势图鉴网格视图

衣装图鉴（1,407 套 / 8 分类 / 86 个三语标签）：按春/夏/秋/冬/内衣/派对/泳装/性感分类，每套拆出颜色、材质、版型、鞋包配饰等可检索单品标签。标签体系带中日英三语对照，「短发」「ショート」「short」都能命中同一批数据。原图是 2:3 竖版 WEBP，多数 1366×2048。

图：衣装图鉴与标签筛选

人像图鉴（1,499 张）：分脸部（893）与造型（606）两区，按短发/中发/中长发/长发筛选，脸部条目保留了原作的 51 种日文发型细节描述。全尺寸 PNG 约 4.5 GB，因 GitHub Pages 1 GB 站点上限未进仓库，改由 npm run fetch-faces 本地下载、线上走原站 URL 回退。

图：人像图鉴分区与发型筛选

工程化细节（这部分比多数「图库站」讲究）：

• 三个图鉴共用一套 CSS 设计系统，分块渲染 72 张一批 + 滚动自动续加载；
• 网格只加载缩略图，打开大图才请求原图，相邻条目空闲时预加载；
• 自带 npm run verify 校验脚本，检查数据数量、三语字段、标签完整性、图片尺寸与类型、文件引用与 i18n 键完整性；
• 全部资源使用相对路径，可直接丢到任意子目录或对象存储；
• GitHub Actions deploy-pages.yml 自动部署，fetch-images.yml 负责补图；
• 深链接支持 #pose=full_single_P019&angle=side、#costume=SXY-0039、#portrait=f71f980dde3，语言可写进 ?lang=zh|en|ja 并存 localStorage。

图：大图页灯箱，支持方向键连续翻看

五、上手门槛：几乎为零，但有两个坑

运行方式：克隆后 python3 -m http.server 8123 --bind 127.0.0.1，或直接 npm start；也可以整个目录交给 GitHub Pages / Cloudflare Pages / Netlify / Nginx。

门槛评价：

• 前端依赖 0，无框架、无打包器、无运行时依赖；Node 18+ 只在重新生成数据或跑校验时才需要；
• 无 Dockerfile、无 docker-compose、无 K8s manifest —— 对静态站来说这不是缺陷，但也没有「一条命令起容器」的开箱体验；
• 坑 1：不能直接双击 index.html，页面用 fetch() 读 data/*.json，file:// 协议会被同源策略拦截，必须走 HTTP；
• 坑 2：仓库体积约 840 MB（姿势原图 654 MB + 衣装 117 MB + 缩略图），git clone 要留足磁盘与耐心；人像原图另有 4.5 GB。

六、争议与局限

1. 版权分层是最大的争议点：代码是 MIT，但图片与原始数据明确不在 MIT 范围内，版权归原作者，README 写明「禁止再分发、转载、转售图片数据本身」。姿态与衣装原站允许商用与参考创作，人像原站是 CC0 1.0 但同样要求不要转载图片文件。商用前必须自行核查原站条款。
2. 素材均为 AI 生成：项目自己声明全部图像是 AI 生成的虚构素材，不含真实人物照片，不能用于冒充真人或制造虚假信息。
3. 内容风险：项目开头就挂着「面向成年创作者，部分内容不适合未成年人」的提示，泳装、性感、内衣三个分类需要使用者自行把关。
4. 人像原图依赖外部站点：全尺寸人像走原站 URL 回退，原站一旦挂掉或改规则，线上人像大图就会失效；本地则需要跑 4.5 GB 下载。
5. 单人或双人开发：contributors 仅 2 人（含 bot），19 次提交，几乎没有社区 issue 沉淀，代码质量靠 verify.mjs 自查而非第三方测试。
6. 仓库体积反模式：把数百 MB 二进制素材直接进 Git，克隆成本高、fork 不友好。

七、行业意义

RuiC-PoseAtlas 代表的不是「又一个模型」，而是 AI 生成内容上游的「素材基建层」。随着文生图、图生图、视频生成把「画面质量」的门槛迅速拉平，真正的稀缺资源变成了可控的结构化参考——精确的机位、可检索的服装标签、可复用的角色脸。

它的做法值得行业参考：不追求模型参数，而是把散落的公共素材重新组织成带元数据、可搜索、可键盘操作的数据产品，并顺手解决了多语言检索这一实际痛点（中/英/日三语索引，搜「ショート」能命中「短发」条目）。从发布一周即破千 star、262 fork 可以看出，这类「整理型资产」在 AI 创作社区里有明确且未被满足的需求。

对团队的实际价值也很直接：一份可本地部署、可二次加工的参考素材库，既能直接投喂绘图工具，也能当作内部美术/内容团队的多语参考索引。

八、一句话结论

一个零依赖、零构建、纯静态的三语 AI 参考图库，工程上克制、内容上有价值，但版权分层和素材体积是两个必须先想清楚的坎；适合直接拿来当本地参考站使用，不适合在未核对原站条款前用于商业再分发。