本文研究了网络审查与规避之间不断升级的对抗。当前审查方已从静态规则过滤演进到基于深度学习的流量分析，而现有的自动化规避工具虽然利用随机搜索和可编程启发式方法，但在多种审查机制下的鲁棒性不足，且配置复杂、需要手动调优或特定领域语言，可用性差。作者提出了一种范式转变，将审查规避重新定义为语义图像到图像的编辑任务，用户只需一个提示即可执行。具体地，提出了FlowPaint框架，利用大型扩散模型的“世界知识”自动将受审查流量重塑为良性模式。FlowPaint采用指令微调的扩散架构，对网络流进行语义编辑。评估使用工业级的规则型中间盒和学习型分类器，结果表明FlowPaint优于现有基线，用户仅通过改变自然语言指令就能应对不同审查范式。该方法显著简化了规避工具的配置，提高了可迁移性和鲁棒性，为网络审查规避领域引入了生成式AI的新视角。