星级打分
平均分:NAN 参与人数:0 我的评分:未评
本帖最后由 ulu 于 2026-8-15 12:56 编辑
最近把几篇新的视频换脸论文、项目页和开源仓库集中翻了一遍，越看越觉得有必要放到 DFL 的实际流程里聊一聊。
论文里的脸越来越自然，论坛里真正能长期干活的主力却还是 DFL。
论文更关心公开测试集上的身份相似度、画质、表情和时序指标，实际炼丹还要看自己的 SRC、DST、显卡和镜头能不能稳定出片，出问题后有没有地方可以修。
问题也恰好出在这里：素材一旦缺少侧脸、仰俯角、极端表情或遮挡，DFL 就没有可靠证据可学；
模型可能硬套正脸纹理，也可能在边缘、牙齿、眼神和脸型上露馅。
它的上限高，却把大量压力交给了素材采集和训练。
先说明一下，这帖不做简单的 SOTA 排名，也不把项目页演示直接当实测。主要想讨论三个问题：
1. 新方法能否保住 DFL 通过专人训练得到的相似度，同时在缺素材、大角度和复杂表情下也保持稳定？
2. 它是真正的视频换脸器，还是图像换脸器加时序补丁，或者干脆是身份保持的视频生成器？
3. 论文、代码、权重、训练数据究竟开源到了哪一步，普通用户今天能不能跑？
先说个人结论：截至 2026 年 8 月，还没有一个公开框架能同时做到 DFL 级相似度、少素材也稳、大角度不崩、长视频不闪、消费卡能跑、训练链还完整。
七个项目各自补上了 3D 姿态、遮挡、视频时序、生成式大动作或关键帧身份锚定中的一部分，暂时还没有谁把这些能力完整交付出来。
一、先把七个模型放到正确的地图上
技术路线地图
上图很重要，因为七个名字并不在同一条赛道。
• CanonSwap 是专用换脸器：重点是把目标人物的动作与外观解耦，再注入源身份。
• VFace 是时序增强插件：它不独立决定“换得像不像”，而是让底层扩散换脸器在视频里少闪烁。
• DynamicFace、VividFace、DreamID-V 借助生成先验补足单张源图看不到的区域，缺素材时通常更稳定，
但也承担“合理生成不等于真实身份细节”的风险。
• Stand-In 更接近身份保持视频生成，换脸只是其下游能力之一。
• LivingSwap 走另一条更接近制作流程的路线：身份仍来自单张目标人物图，待换视频负责提供姿态、表情、光线和运动，换脸关键帧则作为长视频中的身份锚点。
因此，“输入一张照片、不训练、任何角度都能像本人”本身就是一个互相拉扯的目标。
单图只提供一个投影视角；
模型补出的另一侧脸来自通用人脸先验。
它可以很合理，也能通过身份特征保持大体相似，却不可能凭空知道那颗痣、耳廓轮廓或侧面骨相的真实样子。
要超过 DFL，正确方向不是把单图模型继续神化，而是允许多图、视频或专人微调，把真实证据喂进去。
二、DynamicFace：3D 条件拆得漂亮，但现在还不是可用工具
DynamicFace 是 ICCV 2025 的工作，目标同时覆盖图像和视频换脸。
它使用扩散模型，并把人脸条件细分为四种可组合的 3D 先验，试图让身份、姿态、表情和几何不再互相污染；
Face Former 负责高层身份注入，ReferenceNet 补充细节，视频部分再加入时序机制。
这套设计对 DFL 的短板很有针对性。
DFL 遇到源数据没覆盖的大角度，通常只能从自己学过的分布里外推；
DynamicFace 则先理解目标的三维姿态和表情，再让生成模型在这个约束下“画出”源身份。
对于张嘴、转头、遮挡或跨域素材，它理论上更稳，也不需要为每个人从头训练。
但不要把“3D 先验”误解成完成了该人物的高精度三维重建。
输入仍然可以只是一张源图，模型知道的是通用人脸结构和身份嵌入，不知道源人物不可见一侧的全部真实细节。
它改善的是生成结果的合理性与稳定性，不是信息论上的无中生有。
更现实的问题是：截至本文核验日，官方页面依然写着 “Our code is coming soon”。
所以它目前最有价值的是架构参考，而不是替换 DFL 的下载即用方案。
从测试视频看表情的还原度还是很差的。
论文页面上的结果值得看，但无法在自有素材上独立复测，就不能把演示视频直接当作生产结论。
与 DFL 对照
身份信息， DFL 把一个人的大量素材压进专人模型，素材越全，人物特有的骨相和纹理越容易留下。
DynamicFace 用单张参考图提取高层身份和细节，再依靠通用扩散先验补足不可见区域。
它更抗缺角度，专人细节的证据量却远少于 DFL。
姿态与表情， DFL 从训练集学习角度到外观的映射，源脸集中缺少侧脸或夸张表情时容易外推失败。
DynamicFace 把 3D 几何、姿态和表情拆成细粒度条件，目标表演与源身份之间的耦合更弱，这正是它相对 DFL 最明确的结构优势。
时间维度， DFL 仍以对齐脸和逐帧输出为核心，稳定性来自专人模型、相邻帧相似输入以及后期处理。
DynamicFace 在网络中加入视频时序机制，理论上能直接约束前后帧，但代码未开放，长镜头、切镜和遮挡恢复的真实表现还无法复测。
训练与修正， DFL 每换一个身份都要训练，代价高，但 XSeg、遮罩、颜色与合成参数都能精修。
DynamicFace 目标是通用模型直接推理，省去专人训练，却没有公开一套同等级的人工修正工作流。
• 论文（ICCV 2025）
• 官方项目页与全部演示视频
• 官方长视频示例
DynamicFace 官方效果图
图源：DynamicFace 官方项目页，原图保留；用于论文技术评论与对照，版权归原作者。
个人判断：学术参考价值高，尤其值得看“可组合 3D 条件 + 多层身份注入”；当前开源成熟度不足，还不能作为现成替代品。
三、VividFace：真正把图像数据和视频数据放到一套训练里
VividFace 入选 NeurIPS 2025。
它的思路并不是简单把图像换脸逐帧跑一遍，而是用混合训练同时吸收高质量图像身份信息与视频运动信息。
底层建立在 Stable Diffusion 1.5 U-Net 上，又加入 VidFaceVAE、Face3DVAE、ArcFace/DINO 身份特征、
3D 重建条件和视频时序模块。
这条路线很有启发：图像数据通常清晰、身份细节丰富，视频数据虽然模糊和压缩更重，却包含连续姿态、表情和运动。
只用图像训练，视频容易闪；
只用视频训练，身份细节又不够。
混合训练等于让两类数据各自补短板。
它能缓解 DFL 对专人角度覆盖的依赖，但并没有把几千张同一人物的素材作为一个身份库输入。
公开推理仍是“一张源脸配一段目标视频”的范式。
换句话说，模型在预训练阶段见过大量人脸和动作，推理时却仍把某个具体人物压缩到有限的身份条件里；
这使它更泛化，也意味着它未必能吃尽你手上上万张专人素材的价值。
开源情况比 DynamicFace 好：官方仓库已发布推理代码与预训练权重，也放出了训练脚本。
但 README 明确说明训练数据集尚未公开，所以完整训练目前不能真正复现。
论文报告的训练规模约为 550 小时视频、512×512、16 张 NVIDIA A100，这不是普通个人用户从头训练的级别。
消费卡更适合尝试预训练推理，具体显存与速度仍需按实现、分辨率和片段长度实测。
与 DFL 对照
身份学习， DFL 的训练数据可以全部属于一个人，模型容量几乎都用来拟合该身份。
VividFace 的大规模训练服务于所有身份，推理时只读一张源脸。
它见过的动作分布宽得多，对某个具体人的记忆却浅得多。
素材利用， 给 DFL 增加一批清晰侧脸，训练会直接吸收这些样本。
VividFace 当前公开推理接口没有多图聚合器，多放几千张源图也不会自然转化成更完整的身份模型。
要利用这批数据，需另做多参考编码或专人适配，官方方案里没有现成入口。
难角度和遮挡， VividFace 用 3D 重建条件、遮挡增强和图像视频混合训练处理这些情况，遇到训练分布内的新角度通常比缺素材的 DFL 更稳。
生成出来的侧脸仍可能带有通用先验的平均化特征，不能替代真实侧脸素材。
视频一致性， DFL 没有把整段视频作为联合去噪对象。
VividFace 的视频 VAE 与时序注意力显式建模连续帧，减少皮肤、五官和边缘闪动。
代价是推理更重，完整预训练规模也远高于专人 DFL。
可修性， DFL 的失败帧能从遮罩、对齐、颜色和模型迭代多个位置介入。
VividFace 更像端到端研究代码，输出不理想时可调空间少，制作软件层仍未成熟。
• 官方代码、权重与示例
• NeurIPS 2025 论文页
VividFace 官方视频效果帧
图源：VividFace 官方项目页演示视频截帧，左侧为目标，右侧为 VividFace 输出；查看原视频页面。
个人判断：“高质量图像身份 + 视频运动联合训练”这条路很有参考价值；
它仍是通用预训练模型，不等同于 DFL 的专人深度记忆，完整训练也不是个人级工程。
四、CanonSwap：七个项目里最像“下一代专用换脸器”的一个
CanonSwap 是 ICCV 2025 工作。
它先用运动提取器把目标帧变换到统一的 canonical space（规范空间），尽量消除头部姿态带来的形变；
随后通过 Partial Identity Modulation 在受控面部区域注入源身份，最后把结果再映射回目标姿态。
这套方法的关键不在“生成得多会画”，而在先拆开运动与外观，再换身份。
传统方法常见的问题是源身份注入过强会吃掉目标表情，注入太弱又残留目标身份；
在规范空间里操作，可以减少这两类信息的纠缠。
它还限制修改区域，有利于保留目标头发、背景、光照和非面部内容。
对 DFL 用户来说，CanonSwap 很值得关注。
它不需要逐人训练，源图要求低；
架构建立在 LivePortrait 一类轻量人脸重演思路上，推理负担通常比视频扩散小，也更贴近消费卡落地。
对于口型、眨眼和常规转头，它可能比逐帧扩散更稳定、更快。
它的边界同样明显：输入仍可只有单张源图，严重侧脸的真实细节依旧缺失；
规范空间和运动估计如果遇到极端俯仰、快速遮挡、手挡脸或大幅运动模糊，也可能发生形变。
它擅长的是“忠实保留目标运动”，不代表身份细节一定超过用海量专人素材训练好的 DFL。
与 DFL 对照
网络目标， DFL 通过自编码重建与身份交换学习专人外观，姿态和外观仍可能在潜空间里纠缠。
CanonSwap 先把目标运动映射到规范空间，再做局部身份调制，网络结构直接服务于“动作归目标、身份归源人物”。
训练方式， DFL 为每一对身份训练专用模型，前期慢，推理和迭代可控。
CanonSwap 用公开权重直接处理新身份，准备时间短，更适合大量不同人物或快速周转的任务。
源数据容量， DFL 能从海量同人素材持续获益。
CanonSwap 的官方范式是一张源图，推理接口没有把一万张脸训练成专人表示的过程；
它在少素材时更容易保持稳定，但没有吃满多素材优势。
目标表演， 规范空间让 CanonSwap 在口型、眨眼和头姿保持上更有结构保障。
DFL 如果素材足够也能很好地重现表演，但极端姿态取决于训练集有没有相似样本。
工程控制， DFL 的遮罩和合成链更成熟。
CanonSwap 负责生成脸的主干更先进，官方项目还没有提供与 DFL Merger 同级的逐镜头颜色、边缘和遮罩调节工具。
• 官方项目页、完整视频与对比
• 官方代码
• 论文
• 官方 YouTube 介绍视频
CanonSwap 官方效果图
图源：CanonSwap 官方项目页，左侧为源身份与目标视频，右侧为换脸结果；项目页标注 CC BY-SA 4.0。
个人判断：如果只选一个近期项目作为 DFL 的工程替代路线参考，CanonSwap 算是比较务实的候选；
身份细节和难例修复仍没有吃到大量 SRC 的优势。
五、VFace：不是新的换脸底模，而是“让扩散视频少闪”的外挂
VFace 是 WACV 2026 的训练免费方法。
它可以插到基于扩散的图像换脸器上，官方首先适配的是 REFace。
其三块核心分别是：频域注意力插值，用于保留身份关键特征；
Target Structure Guidance，用目标帧结构约束生成；
以及光流引导的注意力时序平滑，把相邻帧对应区域连接起来。
它切中了逐帧扩散换脸最烦人的问题：单帧看都不错，播放起来眉毛、牙齿、皮肤纹理和脸形却不断轻微跳动。
VFace 不需要额外训练，也不要求为一段视频微调，因此适合做模块化组件。
不过，插件不能突破底模的身份上限。
如果底层 REFace 在某个角度本来就不像，VFace 主要能让这种结果“稳定地不像”，而不能自动达到 DFL 级相似度。
光流对快速运动、遮挡出现/消失和模糊也并非万能。
开源层面，官方代码已经可用，主仓库是 MIT，但依赖的模型与数据还有 OpenRAIL 和非商业研究限制，准备商用的人不能只看仓库顶层许可证。
与 DFL 对照
所处层级， DFL 是从脸集准备、模型训练到合成的完整框架。
VFace 只处理“扩散图像换脸器怎样连续跑视频”，必须依附 REFace 这类底模，无法单独完成身份交换。
身份相似度， DFL 的相似度上限由专人训练和素材决定。
VFace 用频域注意力尽量保住底模已有的身份特征，却不会凭空增加源人物信息；
底模在侧脸上认错，VFace 也没有额外的多图身份库来纠正。
时序， 这是 VFace 明显强于 DFL 原生网络结构的地方。
光流引导能把相邻帧的对应区域和注意力联系起来，专门压制逐帧扩散的闪烁。
快速遮挡、运动模糊和光流估计错误仍会传递到后续帧。
训练成本， DFL 要按身份训练。VFace 不做额外训练，也不做视频级微调，适合给已有扩散换脸器快速增加时序能力。
修正方式， DFL 出错时可以回到脸集、遮罩和合成阶段。
VFace 的主要控制点在底模参数、光流和注意力注入，普通制作用户能直接调的内容少得多。
• 官方代码与使用说明
• 论文
个人判断：VFace 很适合给扩散换脸器补时序，但不能单独当成 DFL 替代品。
六、DreamID-V：当前最值得实际试跑的视频扩散路线之一
DreamID-V 是 ECCV 2026 Oral，基于 Wan2.1 1.3B 视频 DiT。
它尝试弥合图像身份与视频运动之间的鸿沟，使用面向不同模态的条件注入、SyncID 流程、从合成到真实的课程学习，以及身份一致性强化学习。
它的官方仓库已经发布推理代码和权重，并提供 Faster、DWPose 等版本。
和 DFL 相比，它的优势很直观：不需要逐人训练，视频生成模型已经在预训练中学到大量头部旋转、身体运动、相机变化与场景规律，因此当源图没有侧脸时，
它能生成一个与身份条件相容的侧面，而不是硬把正脸纹理扭过去。
大动作、复杂背景和新场景是它的主场。
但这里必须区分“身份相似”和“身份信息完整”。
官方使用提示仍推荐一张 512×512 裁剪参考脸，命令行也是单参考图范式。
它比传统单图换脸更会补全，不代表补出的耳朵、侧颌线和细小纹理就是本人的真实信息。
这正是生成模型容易出现“很像，但带一点平均脸”的根源。
硬件方面，官方生态已经出现 16GB VRAM 的 ComfyUI 版本；
Faster 版以 832×480、16 步为示例，作者建议最高质量可用 1280×720。
请注意，这些是版本与示例信息，不等于所有 16GB 卡都能在任意长度、任意分辨率下顺畅运行。
8–12GB 往往要等社区量化、CPU offload、分块或降低分辨率。
与 DFL 对照
身份表示， DFL 把多角度专人资料写进网络参数。
DreamID-V 在推理时读取单张参考脸，把身份条件注入预训练视频 DiT。
前者信息密度高，后者换人快、泛化范围宽。
大姿态， DreamID-V 的视频生成先验已经学习大量人物动作和镜头变化，源图缺侧脸时也能生成连续侧面。
DFL 只能依赖源脸集覆盖。
DreamID-V 补出的结构可能很自然，却不保证是该人物真实的耳廓、颌线和侧面纹理。
目标保真， DFL 主要替换对齐脸区，目标视频的身体、镜头与背景基本不动。
DreamID-V 的生成范围和控制链更大，复杂动作更自然，也更容易在细节上改动目标内容。
严格影视替换需要逐项检查嘴型、手部遮挡和边缘。
时间与算力， DFL 把成本放在专人训练，训练完成后的帧推理相对稳定。
DreamID-V 省掉专人训练，却在每段视频扩散采样时持续付出高算力，分辨率和片段长度都会推高显存与时间。
返修， DFL 有成熟合成器。
DreamID-V 更接近生成管线，失败段通常要改控制条件、种子、姿态检测或整段重跑，局部确定性不如 DFL。
• 官方代码、权重、命令与演示
• 官方项目页
• 论文
DreamID-V 官方效果图
图源：DreamID-V 官方仓库。每组上排为目标视频，下排为换入参考身份后的结果，展示真人、动画、遮挡与大动作场景。
个人判断：DreamID-V 是今天可以下载试跑的前沿生成路线，更适合处理 DFL 的难角度和大动作，最高相似度并不是它最稳的部分。
七、Stand-In：适合“让这个人演一段新视频”，不等同于严格换脸
Stand-In 是 CVPR 2026 的轻量身份控制框架。
所谓轻量，是相对 Wan 基础模型只额外训练约 153M 参数，官方称约为底模参数量的 1%；
它可以与文本到视频、姿态控制、风格化、VACE 等组合，仓库也提供实验性 face swap 入口。
它最吸引人的地方，是把身份保持做成可插拔控制器。
未来的新换脸框架完全可以借鉴这种做法：不重训整个视频大模型，只训练身份适配层；
换一个人时再构建小型身份记忆或 LoRA，而不是从头训练一个巨型模型。
但从任务定义上看，Stand-In 更偏“身份视频生成”。
如果要求目标视频里的表演、嘴型、镜头运动、服装边缘、光影变化一帧不动，只替换面部身份，专用 swapper 更合适。
Stand-In 可能生成得很自然，却也更可能改变原视频内容。
硬件也不能被“1% 参数”误导：额外模块轻，不代表底座轻。
官方已支持 Wan2.1 14B 和 Wan2.2 A14B，运行的主要显存压力仍来自大型视频底模。
代码、权重、训练数据、预处理脚本和训练代码已经公开，换脸功能仍被官方标为实验性功能。
与 DFL 对照
任务定义， DFL 接收既有目标视频并尽量只换脸。
Stand-In 的主任务是让参考身份出现在新生成的视频里，face swap 只是实验性下游功能。
要求严格保留原镜头时，两者并不等价。
身份学习， DFL 每个身份都有独立模型。
Stand-In 把身份控制做成相对 Wan 底模很小的附加模块，切换人物快，也方便与姿态、风格和文本控制组合。
素材与泛化， DFL 能消化大量专人图片，但缺失姿态会拖累结果。
Stand-In 借助 14B 视频底模生成训练分布内的新动作和新场景，单张参考图仍限制人物特有细节。
目标运动， DFL 从目标帧直接取得表演，口型和节奏容易与原片一致。
Stand-In 依赖生成控制重建视频，更适合“让这个人做某件事”，不适合把原演员每个细微表演原样留下。
资源与工具， DFL 可以在较低显存上慢慢训练，也有完整 GUI 流程。
Stand-In 虽只增加约 153M 参数，仍要承载 Wan 14B 底模；
它的换脸入口和返修工具都处于实验阶段。
• 官方代码、模型和换脸入口
• 官方项目页与展示视频
Stand-In 官方换脸演示帧
图源：Stand-In 官方项目页“Video Face Swapping”演示视频截帧；查看原视频页面。
个人判断：它很适合研究身份控制，但任务定义和严格换脸有差别，不能按 DFL 平替理解。
八、LivingSwap：把单图换脸关键帧接进长视频生成
LivingSwap 是 CVPR 2026 工作，目标是电影级长视频换脸。
它的输入包括待换视频、编辑区域遮罩和一张目标人物身份图。
系统从待换视频中抽取关键帧，先用 InSwapper 等单帧换脸器生成换好身份的关键帧，再把完整待换视频与这些关键帧交给视频扩散模型，通过参考补全和时序拼接处理长镜头。
论文还提出 Face2Face 数据集和 CineFaceBench，用来覆盖复杂光照、妆容、半透明遮挡和电影镜头。
这里必须分清两种信息。
待换视频提供真实的姿态、表情、光线、背景和运动，目标人物身份仍主要来自单张图片。
换脸关键帧能够在不同时间点校正身份，却是单帧换脸器根据同一张身份图生成的结果，并不是目标人物的真实多角度素材。
LivingSwap 增强的是视频属性保留和长时序稳定性，不会凭空补充目标人物的真实侧脸证据。
论文以 81 帧片段处理长视频。
为保证实验可复现，作者采用固定间隔策略，约每 79 帧设置一次关键帧，并用 InSwapper 自动生成关键帧换脸结果；
实际制作也可以只精修少数失败关键帧，再让模型完成中间帧。
论文称这种流程能显著减少人工编辑量，但代码尚未公开，实际效率还不能独立复测。
遗憾的是，截至本文核验日，官方页面仍显示 Code (Coming Soon)。
没有代码和权重，就无法判断它对显存、速度、分段边界与失败镜头的真实要求。
所以现阶段它是非常重要的架构方向，不是可立即部署的软件。
与 DFL 对照
身份输入， DFL 在训练前收集大量真实脸图，再把不同角度和外观固化进专人模型。
LivingSwap 的目标身份仍可只由一张图片提供；
待换视频和换脸关键帧能稳定传播这份身份条件，却不会增加目标人物真实的侧脸、耳廓或下颌信息。
素材门槛， DFL 需要数量较多、角度覆盖充分的源脸集。
LivingSwap 不要求目标人物视频，一张清晰身份图即可运行；
代价是侧脸等不可见细节仍由单帧换脸器和视频先验推测。
待换视频必须能够稳定检测和跟踪人脸，关键帧换得越准，最终身份通常越稳。
长视频， DFL 通常逐帧推理，再依靠模型稳定性和后期合成维持连续。
LivingSwap 按片段处理，并用首尾关键帧约束和时序拼接连接长镜头，论文目标直接包含长视频一致性。
人工参与， DFL 的人工时间分散在脸集清理、遮罩、训练观察和合成。
LivingSwap 的论文实验使用固定间隔自动选帧和自动单帧换脸，不要求逐段手工挑关键帧；
制作中可以人工重做少数失败锚点，减少逐帧修正。
实际节省多少时间仍需等代码开放后验证。
成熟度， DFL 已经形成完整社区工作流。
LivingSwap 目前只有论文、项目页和演示，官方代码仍标为 Coming Soon。
论文使用 14B 视频底模，并以 8 张 H200 训练约 14 天；
推理显存、速度、失败处理与分段接缝仍缺少公开实测。
• 官方项目页与电影级演示视频
• 论文
• 官方电影镜头示例之一
LivingSwap 官方效果帧
图源：LivingSwap 官方电影镜头演示截帧。左侧为待换镜头和目标身份图，右侧为 LivingSwap 输出；查看原视频。
个人判断：它最值得参考的是完整待换视频的属性保留、关键帧身份锚定和长视频拼接，不是多图身份学习。
它能让单图换脸在长镜头里更稳定，却不能替代 DFL 对真实多角度身份素材的学习；
目前没有开源，离成熟制作工作流还有距离。
九、横向对比：哪一个现在最接近可用？
如果按“今天能不能动手”排序，而不是按论文宣传排序：
1. CanonSwap：专用、轻量、目标保持明确，最适合拿来做 DFL 之后的新工程底座。
2. DreamID-V：官方推理和权重齐，生成能力强，适合处理大姿态与难运动，但对显存和速度要求更高。
3. VFace：作为时序插件很实用，价值取决于底层图像换脸器。
4. VividFace：推理已开源，有研究价值；完整训练因数据未公开而受限。
5. Stand-In：更适合身份保持视频生成；换脸是实验功能，14B 底座很重。
6. DynamicFace、LivingSwap：方向先进，但代码尚未公开，现阶段只能参考架构和官方演示。
这里没有给“画质、身份、时序”随意打五星，因为不同论文使用的数据集、裁剪、指标和对手并不完全一致。
论文所说的 SOTA，只表示在其设定下对所选基线取得当时最佳结果，不等于任何人的任意素材上都最强，更不等于工程成本最低。
顺带说一句 AHS、GHOST 2.0、InsightFace/InSwapper 一类工具：它们仍然有速度快、部署成熟、消费卡友好的价值，
也常被整合进 FaceFusion 等应用，但技术代际更接近单帧身份编码 + 生成/重演。
做批量预览和普通镜头很实用，目标若是用丰富专人素材追求 DFL 级身份细节，就不是本文所说的终局方案。
十、显存分级：不同显卡用户该看哪条路线
这张图是工程分级，不是厂商或论文的统一最低显存表。
视频长度、分辨率、精度、注意力实现、量化、CPU offload 和是否逐帧都会大幅改变结果。
• 6GB 档：DFL、轻量 GAN/重演和低分辨率专用模型仍有现实意义。
现代视频扩散可以靠极端卸载尝试，但时间成本和稳定性通常不划算。
• 8–12GB 档：优先 CanonSwap/LivePortrait 类专用架构；
图像扩散和部分视频模块可通过半精度、切片和短片段运行。
大型视频扩散不要只看“能启动”，还要看每秒耗时和长片段是否爆显存。
• 16GB 档：DreamID-V 1.3B Faster/社区 ComfyUI 生态已有明确入口，480P 短片段更现实；
高分辨率与长视频仍需分段。
• 24GB 档：更适合视频扩散推理、较少卸载和小型身份适配训练，但 Wan 14B 仍可能需要量化或 CPU offload。
• 32–48GB+ 档：14B 视频底模、高分辨率实验和更完整的微调开始变得合理；
从头预训练 VividFace、DreamID-V 级系统仍是多卡数据中心工作。
十一、围绕 DFL 短板的几个问答
Q1：生成模型已经会补侧脸，单张正脸是不是够了？
不够。
DynamicFace、VividFace 和 DreamID-V 已经能利用 3D 条件或视频生成先验，在源图没有侧脸时生成合理侧面。
它们解决了 DFL 把正脸纹理硬扭到侧面的失败，但补出来的是模型认为合理的这个人，不是被输入证实的真实侧脸。
耳廓、下颌转折、发际线、痣和局部不对称都可能被平均化。
普通镜头可以只用单图，追求专人级相似度仍要提供多角度资料。
Q2：手里有几千到一万张源脸，这七个模型能全部吃进去吗？
公开推理接口大多不能。
DynamicFace、VividFace、CanonSwap 和 DreamID-V 的典型输入仍是一张源图；
VFace 跟随底层图像换脸器；
Stand-In 也是参考身份控制。
它们的通用预训练见过海量人脸，不等于推理时会把同一个人的一万张图聚合成专人记忆。
LivingSwap 也不属于多图身份方案。
它输入一张目标人物身份图，再利用待换视频和由单帧换脸器生成的关键帧维持长视频稳定；
这些关键帧不会把新的真实侧脸信息交给模型。
就这七个项目的公开推理接口而言，目前没有一个能把数千张同人素材聚合成类似 DFL 的专人记忆。
Q3：既然扩散模型在缺素材时更稳定，为什么不针对每个人微调一个扩散模型？
技术上可行，成本和可控性是主要问题。
VividFace 完整训练使用约 550 小时视频和 16 张 A100，说明视频扩散底座不能按身份重训。
更实际的做法是冻结底模，只训练 LoRA、身份适配器或少量身份 token。
Stand-In 证明了只增加少量身份控制参数也能工作，但它依附的 Wan 14B 底座仍然很重。
专人微调还会遇到过拟合：训练图里某种发型、妆容、表情和光线可能跟身份绑定，输出变得很像训练集，却不肯服从目标视频。
DFL 也有类似问题，但它的任务范围窄、合成工具成熟，失败原因更容易定位。
Q4：哪几个模型已经明确解决了 DFL 的大姿态问题？
DynamicFace 用可组合 3D 人脸先验分离身份、几何、姿态和表情；
VividFace 用 3D 重建条件与遮挡增强；
CanonSwap 把目标运动映射到规范空间后再换身份；
DreamID-V 和 Stand-In 借助视频大模型的运动分布生成新角度；
LivingSwap 直接参考待换视频，并用换脸关键帧减少长视频中的身份漂移。
它们解决问题的方式不同。
3D 条件和规范空间更强调忠实跟随目标结构，视频扩散更擅长生成训练分布内的连续动作，LivingSwap 则重点保留待换视频的表情、光照和运动。
它对侧脸的改善主要来自视频先验和关键帧传播，不是读取了目标人物的真实侧脸。
Q5：视频闪烁方面，DFL 和新模型谁更强？
DFL 的稳定来自同一专人模型反复处理相近的连续帧，脸集和训练稳定时效果很好，但网络没有显式理解整段视频。
VividFace、DynamicFace 与 DreamID-V 原生处理多帧或视频潜空间，VFace 更直接用光流和注意力传播压制逐帧扩散闪烁，
LivingSwap 还处理长片段首尾衔接。
新模型也会产生另一种时序错误：身份在各帧都像，细纹、牙齿、遮挡边界或光照却缓慢漂移；
视频扩散按片段生成时，片段之间还可能跳变。
项目页的几秒演示无法替代长镜头测试。
Q6：哪个项目今天最可能直接替换 DFL？
没有一个能全面替换。
CanonSwap 最接近专用换脸器，推理更轻，目标表演保持也清楚，适合普通镜头和快速流程。
DreamID-V 对大动作和缺角度更有吸引力，但显存、速度与目标内容漂移的代价更高。
VFace 适合作为扩散换脸器的时序补丁。
VividFace 的训练路线完整，公开数据却不足以复现训练。
DynamicFace 和 LivingSwap 尚未开放代码。
Stand-In 的主任务又偏身份视频生成。
如果 DFL 已经在正脸和常规侧脸上达到很高相似度，最合理的比较方式是拿同一批困难镜头测试这些新模型，而不是整部片一次性换工具。
90° 侧脸、遮挡解除、低头张嘴、快速转身和长镜头最能看出差异。
Q7：少素材时，新模型能把 DFL 的差距补到什么程度？
它们能明显抬高下限。
DFL 缺姿态样本时可能直接变形，生成模型通常能给出完整、自然、可播放的脸。
相似度上限仍取决于源身份信息。
模型不知道的细节只能猜，猜得符合人脸统计，不等于猜得符合本人。
因此，少素材任务最容易看到新模型的优势；
素材已经覆盖年龄、妆容、左右侧脸和复杂表情时，DFL 的专人模型仍可能更像。
LivingSwap 能提高单图换脸在长视频中的连续性和属性保真，但不会利用额外的目标人物素材来抬高身份信息上限。
Q8：论文效果图看起来都很好，实际测试最该盯什么？
单帧截图先看脸型、眼距、鼻翼、嘴角、耳朵和皮肤纹理有没有被平均化。
播放视频再看牙齿、眼神、皱纹、遮挡边界和发际线是否闪动。
最后看目标保真：口型、表情强度、视线、头部姿态、光线和背景有没有被生成模型改掉。
相似度指标常用 ArcFace 一类识别特征，容易忽略局部身份细节；
时序指标也可能奖励平滑却模糊的结果。
统一源图、目标片段、裁剪、输出分辨率和后期锐化，再做盲测，结论才有参考价值。
十二、最终结论
生成模型当然值得做，而且已经成为解决大姿态、少素材和复杂运动的主力方向；
但“生成模型”不是“深度学习模型”的对立面，扩散、DiT、GAN 和 DFL 都属于深度学习，只是训练目标与推理方式不同。
如果追求当前可用：专用轻量路线优先看 CanonSwap，生成型实跑优先看 DreamID-V，视频稳定模块看 VFace。
如果研究下一代架构：重点读 DynamicFace 的条件解耦、VividFace 的图像—视频混合训练、Stand-In 的轻量身份适配，
以及 LivingSwap 的视频参考和关键帧工作流。
如果追求真正超过 DFL：不要再坚持单图输入。
单图换脸可以方便、可以自然、可以在指标上很强，却不可能包含一个人的全部侧脸、年龄和局部纹理信息。
允许多图/视频身份库，再让扩散只补未知区域，才有机会同时获得 DFL 的“像”、生成模型的“稳”和专业流程的“可修”。
上面主要是按公开资料做的框架分析，不敢拿项目页效果直接代替实测。
坛里如果有人已经跑过其中某个项目，欢迎补充显存、速度和失败镜头。
最好能用同一段素材对比，里面带 90° 侧脸、低头、张嘴、手遮挡、运动模糊和长镜头；
统一裁剪、统一输出分辨率以后，结果才比较有参考价值。
资料截止：2026-08-15。
开源状态与仓库内容可能后续变化，请以各项目官方页面为准。
本文依据公开论文、官方项目页和官方仓库整理；
未公开的显存与速度均只作工程判断，不冒充作者实测。
引用的官方图片和视频均在相邻位置保留原出处链接，版权归各原作者。
请仅在获得授权的素材上使用换脸技术，并对生成内容作清晰标识。
本文由 ChatGPT 5.6 Sol 撰写。
| 
|Archiver|手机版|deepfacelab中文网
|网站地图
楼主
发表于