人物一致性方案对比

一、什么是「人物一致性」？

在 ComfyUI 语境下，通常指：

• 同一张脸 / 同一个角色 出现在不同 Prompt、场景、服装、姿势的图中；

• 观众能认出 「这是同一个人」，而非每次随机一张新脸。

难度来源：扩散模型默认 随机采样，不加约束时人脸、发型、体型都会变。

二、方案总览

本章重点：InstantID（7-2～7-5），并对比其他路线。

三、InstantID

特点

• 用 InsightFace 提取人脸 embedding；

• IP-Adapter + InstantID ControlNet 双路注入；

• 支持 文生图 / 图生图；

• 可 image_kps 分离姿势与身份（7-5）。

适合

• 1 张参考照 → 多场景同人；

• 虚拟形象、写真套图、短剧角色；

• 不想训练 LoRA 的快速方案。

局限

• 侧脸、遮挡、多人脸需额外处理；

• 全身一致性 弱于脸部；

• 需安装专用节点与多个模型文件。

四、IP-Adapter Face / Full Face

特点

• 第 6 章已学，实现简单；

• 参考图 → CLIP Vision embedding → 注入 MODEL。

与 InstantID 对比

选型：快速试脸、风格为主 → IP Face； 强身份 + 换姿势 → InstantID。

五、PuLID

特点

• 另一套 身份保持 框架，社区有 ComfyUI 节点；

• 强调 解耦身份与风格；

• 与 InstantID 二选一即可，不必全装。

适合

• 对比测试谁在你数据上更稳；

• 部分工作流对 写实 或 特定画风 更友好。

建议

先掌握 InstantID 再试 PuLID，避免同时混用多套身份节点导致冲突。

六、ReActor / Face Swap 类

特点

• 生成后再换脸 或 pipeline 中 swap；

• 更偏 「把 A 脸贴到 B 图」 而非从头生成同人。

适合

• 已有成图，只改脸；

• 视频帧换脸（需注意合规）。

与 InstantID 区别

InstantID 是 生成阶段 注入身份；ReActor 常是 后处理，边缘与光照需额外修。

七、LoRA 角色训练

特点

• 用 10–30+ 张 同一角色图训练小 LoRA；

• 触发词 + LoRA → 全身、服装、画风 都可绑在角色上；

• 一致性最强、最稳定，可商用资产化。

适合

• 长期 IP、漫画主角、品牌虚拟人；

• 批量产线同一角色；

• 愿意投入 数据集 + 训练时间。

局限

• 训练门槛高（7-7）；

• 新角度需补图再训；

• 过拟合风险。

与 InstantID 组合

LoRA 定角色 + InstantID 锁脸 或 LoRA 单独 即可，视质量要求。

八、选型决策树

只有 1 张脸图、要快、不训练？
  └→ InstantID（本章主力）或 PuLID

已有成图只想换脸？
  └→ ReActor / Face Swap

要长期同一角色、几十上百张？
  └→ LoRA 训练（7-7）

只是「大概像」、重风格？
  └→ IP-Adapter Face（6-6）

必须最强合规可控资产？
  └→ 自拍/授权素材 + LoRA + 书面授权

九、质量与输入图关系

无论哪种方案，参考图质量决定上限：

十、合规与伦理（必读）

教程与练习请使用 自有照片、虚拟角色、明确授权素材。

（大纲 7-8 节专讲合规，本章各节均应遵守。）