有意思的地方不在「又能用文字调色了」，而在它反过来做了一件事：把预训练图像编码器从调色链路里删掉。
问题背景
照片级风格迁移（Photorealistic Style Transfer）想干的事很朴素——把参考图的色彩与影调搬到内容图上，结构一动不动。但主流做法几乎都要先过一个预训练图像编码器去提「风格特征」。问题是这类编码器是为识别训练的，它编码的东西里语义和颜色是缠在一起的：参考图里有片草地，内容图的墙面就可能被莫名推绿，或者出现说不清来由的局部扭曲。另一条老毛病是像素级映射不管 3D LUT 的网格拓扑，相邻格点各自为政，天空这种大面积平缓渐变上就出色带（banding）。
方法的关键转折
第一步是主动丢信息。 论文的 Lab-Extractor 把图缩小后转到 CIE Lab，只取三样东西：L 的 256-bin 直方图、ab 平面的 32×32 二维直方图、以及按 ab 分格统计的平均亮度（32×32）。前两个是亮度和色度的边缘分布，第三个是亮度—色度的耦合项——这一项才是「暗部偏青、高光偏暖」这类描述能被量化的地方。ab 之前还做了 γ=0.5 的非线性拉伸，把中心密集区展开、边缘稀疏区压缩，本质上是给色度直方图配了个更均匀的量化格。整套用 soft-binning 双线性插值实现，可微。
关键是这些描述子严格与空间无关。作者的原话是这样能「从根本上阻止网络靠记住空间对齐来抄近路」。他们做了个 patch-shuffling 实验：把参考图切碎打乱，输出几乎不变——说明学到的确实是色彩分布，不是语义。
第二步是把 LUT 生成写成序列翻译。 16³ 的 identity LUT 格点带上三维位置编码当 query，统计量当 key/value，cross-attention 直接预测每个格点的色彩残差 ΔC，再叠单调性约束和 TV 正则，让整张 LUT 保持平滑可用。负责融合特征的 MR-Mapper 只有 0.38M 参数——对照组里那个朴素 MLP 是 428.9M，差三个数量级，而 Distance-to-Ideal 从 0.286 降到 0.259。
第三步才是文本入口。 一个 8 层的轻量 DiT（H-Diffuser）从 CLIP 文本嵌入出发，扩散生成的不是图像，而是上面那组统计量；针对 ab 空间大量空 bin 的稀疏问题配了密度加权损失。训练用的 caption 由 Qwen3.5 写，且刻意只描述亮度、色度和耦合效应，排除物体语义。
值得往哪儿发散
对做 ISP 的人，这个技术路线的落地摩擦很低：LUT 本来就是相机和显示端已有的算子，不需要新硬件。更值得偷的是那个中间层——把「风格」显式定义成 Lab 边缘分布加耦合项，是可测量、可审计的，比一个不可解释的美学 embedding 靠谱得多。这个「颜色状态签名」很自然能挪去做跨相机颜色一致性、批量视频统一调色（论文有时间一致性实验），或者当 ISP 调参的目标表示。文本→统计量→LUT 这条路也比文本→像素安全：约束落在色彩变换上，结构不会被生成模型改写。
局限与存疑
统计量与空间无关的代价是只能全局：分区色温、多光源场景、局部选择性调色都做不了，作者自己也承认需要引入带语义通道的 4D LUT。文本只支持绝对描述，不支持「暖一点」这种相对指令。极端跨域（白天雪景→夜间霓虹）会退化，论文建议保留传统统计匹配兜底。
最该打折的是评价：所谓「更好的颜色」用的是判别器打的 Style Similarity 加边缘 SSIM，没有任何色度学指标，没有 ΔE、没有色貌层面的核验。而且它并不是全面领先——NAS 数据集上 NLUT 的风格相似度更高（0.787 vs 0.746），PST50 上内容相似度输给 Neural Preset（0.760 vs 0.774），赢的是两者的综合平衡。文本模式的风格相似度只有 0.498，跨模态差距仍然很大，「一句话调色」离好用还有距离。此外这是未经同行评审的 preprint，肤色公平性只在 broader impact 里提了一句，没有实验。