EcomID vs. Flux PuLID vs. InstantID -> 100%相似度人脸迁移工作流 V2

大家好，今天我们将对比三种AI换脸技术：基于Flux的PuLID、基于SDXL的InstantID以及最近推出的基于SDXL的EcomID。

你可以在这里免费下载这个工作流：https://www.liblib.art/modelinfo/67e6949d10f844c3bc35c15add791aa1

这三种技术各有优势，但都还无法达到100%的人脸相似度。为了追求更真实的效果，我之前开发了一个能够达到接近100%相似度的工作流，并进行了多次优化和增强，特别加入了高清修复的部分。接下来，我将详细讲解每个节点组的功能，帮助大家了解实现高相似度人脸的原理。

本视频对应的视频教程：

https://www.bilibili.com/video/BV1E5DRYSEEq/

工作流概览

首先，我们来看一下这次用来对比三种换脸技术的工作流。大家可以在本文末尾找到下载链接。

基础设置

工作流左边是一些基础设置区域，主要用于：

设置图片尺寸
选择模型（checkpoint）
输入提示词等参数

这些设置通过“Bus Node（节点总线）”和“Anything Everywhere（全局输入）”节点传递到右侧的各个换脸节点组，从而实现参数的集中管理。这种方式可以减少节点之间的连接线，使工作流更加简洁高效。

例如，EcomID和Flux PuLID都需要用到PuLID的Eva Clip模块，这里就通过“Anything Everywhere”节点统一传递，免去了重复连接的麻烦。同时，加载InstantID的节点也通过“Anything Everywhere”传递到右侧供EcomID和InstantID共享。

此外，“Seed Everywhere（全局种子）”节点确保了所有换脸节点组使用相同的种子，以保证对比结果的公平性。

三种换脸技术的节点组

在右侧，我们可以看到三个换脸节点组：

EcomID – 三个节点组中最复杂的，需要同时加载InstantID和PuLID模块，具有独特的EcomID ControlNet模型。
InstantID – 相对简单的结构，适合快速换脸。
PuLID – 基于Flux的实现，结构也相对简单。

每个节点组生成的图片会被拼接在一起，与原始人脸参考图进行对比。我通过“Image Caption（图像字幕）”节点为每张生成图像添加了字幕，注意需要填写ttf格式字体的路径，否则会报错。

效果对比

在对比了多个示例后，我认为InstantID在大部分情况下的相似度最高。不过，具体效果因人而异，有时PuLID或EcomID的效果也很接近原图。

总体而言，换脸技术的优势在于：

相较于训练LoRA更加快速便捷
可以根据多角度照片生成对应角度的人脸

但缺点是生成的人脸和真实人脸的相似度仍有不足。为此，我开发了一个号称能够实现100%相似度的工作流。经过用户反馈和优化调整，我们现在来深入讲解这个工作流的细节。

完美人脸匹配的逐步工作流解析

现在，我们来详细解读我开发的优化工作流的各个部分，以提高人脸相似度并解决常见问题，如脖颈处的接缝和其他不必要的瑕疵。

1. 初始设置与遮罩

上传图片：首先上传参考图像，并填写提示词。
人脸分离：使用“PersonMaskUltra（人像遮罩）”节点将人脸部分隔离。默认情况下只遮罩人脸，但如果需要包括头发或其他元素，可以启用额外选项。
遮罩细化：打开 Mask Editor（遮罩编辑器），进一步优化人脸周围的遮罩区域。尽量在脸部周围画出较大的区域，避免在 SDXL 填充背景时出现接缝。提示：避免在遮罩中包含背景的像素。仅保留人脸区域有助于保持细节。
遮罩平滑：使用“Mask Smooth（遮罩平滑）”节点来柔化遮罩边缘，以便 SDXL 能够更顺畅地将人脸与背景融合。

2. 使用 SDXL 进行基础构图

设置分辨率：在“SDXL Resolution（分辨率）”节点中将画布尺寸设置为 768×1344，适用于全身肖像。后续如有需要可以裁剪。
调整人脸位置：使用“ImageBlend（图像混合）”节点控制人脸在图像中的位置、大小和角度。调整 X 和 Y 百分比、缩放比例以及旋转角度，使人脸自然地融入画面。
运行 SDXL 进行初步构图：使用 SDXL Lightning（闪电）模型运行工作流，生成基础构图。此时 SDXL 会填充黑色背景区域。注意：在此阶段可能会出现接缝或其他不完美之处。别担心，我们会在后续步骤中进行修复。

3. 处理常见瑕疵并增强细节

使用 Flux 修复接缝和瑕疵

扩展脖颈区域的遮罩：启动右侧的节点组，将遮罩稍微扩展到脖颈区域。调整“expand（扩展）”和“blur_radius（模糊半径）”的设置，以确保脖子周围的接缝包含在内，而不会影响到脸部。
使用 Flux 模型清理接缝：使用基于 Flux 的 PixelWave（像素波）模型，并配合 Turbo LoRA（加速 LoRA），这样可以在 8 步内高效处理图像，修复脖颈接缝和其他瑕疵。

额外重绘以进行进一步修复

进行第二次重绘：激活另一组节点，进行额外的重绘操作。这一步可以修复残留的瑕疵，比如手部或衣物上的细节失真问题。
恢复面部细节：重绘之后，面部细节可能会显得略微模糊。使用专门的节点组恢复面部的精细细节，特别是眼睛、嘴部和皮肤纹理的部分。

4. 最终处理与放大

手部细节优化

手部修复：使用专门的节点组增强手部细节。此步骤可以确保手部细节的真实感，甚至可以清晰表现血管等小细节。

高清放大以获得高分辨率效果

两阶段放大：为了实现最终的高清效果，先使用 4 倍放大模型处理人脸，然后再缩小一半，从而实现 2 倍的分辨率提升。此方法可以在保持面部特征细节的同时提高清晰度。
使用 LoRA 增强纹理和细节：添加一个 LoRA 模型来增强皮肤纹理和清晰度。
设置采样器调度器：确保采样器的调度器设置为“exponential（指数）”，以便在放大过程中保持面部特征的一致性。