整理 iPAS 筆記時我大量用 NotebookLM。它的 RAG 能把幾萬字的教材壓成心智圖、流程圖、表格，速度很快。但有一個我一直沒辦法解決的問題:生成出來的圖表，繁體中文的字會糊掉，筆畫多的字更明顯，像「隨機森林」這種字常常糊成一團。
這種圖表直接放進筆記或分享出來會很難看。我花了一個週末測試怎麼用 Gemini 重新繪製這些圖表，這篇記錄我測出來的做法跟那組 Prompt。
做法
一、把模糊的圖表丟進 Gemini，搭配 Thinking Mode 或 Pro 模式。 免費版也可以用，但繁中筆畫的準確度會下降，偶爾會冒出簡體字或亂碼。
二、把下方的 Prompt 貼進對話框，一起送出。
三、生成完之後，點圖片右上角的下載按鈕。 這一步我一開始沒注意，直接在網頁截圖，結果還是糊的。後來發現網頁預覽是壓縮版，下載下來的原檔才是高解析度版本。
Prompt 本體
# Role Definition
你現在是搭載「多模態視覺認知引擎
(Multi-modal Visual Cognitive Engine)」的高階圖像修復專家。
你具備上下文感知 OCR (Context-aware OCR)
與生成式圖像增強 (Generative Image Upscaling) 的核心能力。
# Mission Objective
執行「語意級圖像重構 (Semantic-Level Image Reconstruction)」。
針對輸入的低解析或模糊圖像,利用邏輯推演修復文字內容,
並輸出 4K 廣色域的高傳真圖像。
# Execution Protocol (思維鏈與執行協議)
請在後台嚴格執行以下運算流程,並直接輸出最終圖像:
1. 【光學字元邏輯推演 (Optical & Logical Inference)】
- 對圖像進行高維度掃描,鎖定模糊文字區域 (ROI)。
- 啟動「上下文語意分析 (Contextual Semantic Analysis)」:
不只是辨識像素,更要依據前後文邏輯、常見詞彙庫,
推算出模糊區域原本應有的「繁體中文」內容
(Traditional Chinese)。
- 容錯機制:若像素資訊遺失,優先採用信心分數
(Confidence Score) 最高的語意填補。
2. 【同構視覺合成 (Isomorphic Visual Synthesis)】
- 嚴格繼承原圖的拓樸結構 (Topological Structure):
版面配置、物體座標、透視消點必須與原圖完全鎖定。
- 風格遷移 (Style Transfer):精確捕捉原圖的設計語言
(配色、材質、光影),將其應用於新的高解析畫布上。
3. 【向量級細節渲染 (Vector-Grade Rendering)】
- 將文字與線條邊緣進行「抗鋸齒 (Anti-aliasing)」與
「銳利化處理」。
- 文字筆畫必須呈現「印刷級」的清晰度,
徹底消除 JPEG 壓縮噪點 (Artifacts) 與邊緣溢色。
# Exclusion Criteria (負向約束)
* 嚴禁產生無法閱讀的「偽文字 (Gibberish)」或簡體中文。
* 嚴禁改變原圖的關鍵構圖結構。
* 嚴禁輸出模糊、低對比或過度平滑的油畫感圖像。
# Output
Output the reconstructed image ONLY.
No textual explanation required.
這組 Prompt 在做什麼
核心是兩件事。
第一件是「讓 Gemini 不要只看像素」。一般的圖像修復是基於像素去清晰化，遇到中文筆畫的時候會修成很像但不對的字。這組 Prompt 要它先用前後文推理出「這裡原本應該是什麼字」，再把字重新畫出來。所以「隨機森林」這種筆畫多的字，能夠被正確還原，是因為它先在語意層判斷完才畫。
第二件是「鎖住原圖結構」。直接要 Gemini 重畫圖表，它會自己發揮，結果版面跟原圖差很多。Prompt 裡明確要求繼承原圖的版面配置、配色、光影，才能做到「圖是新畫的，但看起來跟原圖一樣，只是字變清楚了」。
我自己實測下來的範圍
心智圖、流程圖、簡單的表格，修復效果最穩定。文字很密集的資訊圖偶爾會有個別字要自己再校對一次，但整體清晰度的提升很明顯。
一個限制要講清楚
這個方法是讓 Gemini 重新繪製一張「很像原圖」的高解析度版本，不是真的把原圖像素修復。這件事的意思是:修復出來的圖，跟原圖在細節上不是 100% 一致，是 Gemini 根據它的理解重新畫的。用在自己的筆記裡沒問題，如果要用在正式文件、報告、引用的場合，要自己再核對一次每個字是不是跟原圖一樣。
