ComfyUI_FaceAnalysis是ComfyUI中一款人脸分析插件扩展，该框架用于评估两张人脸之间相似度的工具。插件扩展原理是利用 DLib 或 InsightFace 来计算两个人脸之间的欧几里得距离和余弦距离。注意距离越近，则表示是面部特征近似。

安装指南

首先通过ComfyUI插件搜索ComfyUI_FaceAnalysis，并点击安装该插件。插件地址为：https://github.com/cubiq/ComfyUI_FaceAnalysis

然后还需要安装 InsightFace 或 Dlib 模型来实现面部评估。

• InsightFace：可使用命令安装 pip install insightface -U。

• Dlib：对于window用户可以下载安装包pip安装，下载地址为：https://github.com/z-mahmud22/Dlib_Windows_Python3.x 。使用命令如下，请注意与本地Python版本对齐。

另外对于Dlib 的安装，还需要下载如下4个模型，并放置在目录下 /ComfyUI/custom_nodes/ComfyUI_FaceAnalysis/dlib：

• Shape Predictor：https://huggingface.co/matt3ounstable/dlib_predictor_recognition/resolve/main/shape_predictor_68_face_landmarks.dat?download=true

• Face Predictor 5 landmarks：https://huggingface.co/matt3ounstable/dlib_predictor_recognition/resolve/main/shape_predictor_5_face_landmarks.dat?download=true

• Face Predictor 81 landmarks ：https://huggingface.co/matt3ounstable/dlib_predictor_recognition/resolve/main/shape_predictor_81_face_landmarks.dat?download=true

• Face Recognition：https://huggingface.co/matt3ounstable/dlib_predictor_recognition/resolve/main/dlib_face_recognition_resnet_model_v1.dat?download=true

对于Linux用户则，下载对应安装包(Dlib项目主页为：http://dlib.net/compile.html)，下载地址：http://dlib.net/files/dlib-19.24.zip。并运行如下命令：

• 最后导入文末工作流，并重启ComfyUI。

定量脸部评估

本文使用的绘图配置为：

• 绘图模型：墨幽人造人XL模型

• 迭代步数：30步

• 采样器：DPM++ 2M Karras

• CFG scale: 7

提示语：

masterpiece painting, buildings in the backdrop, kaleidoscope, lilac orange blue cream fuchsia bright vivid gradient colors, the scene is cinematic, (1girl:1.2), portrait,, emotional realism, double exposure, watercolor ink pencil, graded wash, color layering, magic realism, figurative painting, intricate motifs, organic tracery, pol,  <lora:SDXL Detail:1> <lora:DetailedEyes_XL_v3.0:1>

本文使用到模型下载地址：

• 墨幽人造人XL模型 ：https://www.liblib.art/modelinfo/e6c19f54cd164687a7384548742ad20b

• add-detail-xl LoRA模型：https://www.liblib.art/modelinfo/1f290178083844fb9a22e6e76d8546fa

• DetailedEyes_XL LoRA模型：https://www.liblib.art/modelinfo/68ece914e617433fa62410a8496edc53

同一个人评估

这里InsightFace和DLib评分DIST距离都为0，表示是同一个人。

完全不同人评估

这里InsightFace评分DIST距离都为1，表示是不同的人物。

DLib评分DIST距离都为0.931，表示是两个任务差距较大。这也是因为DLib评分度量维度更多和更精细。

2组模型绘图效果

FaceAnalysis InsightFace定量评估

第1组图评估

这组输入图InsightFaceDIST距离评分为：Pulid为0.77，InstantID为0.632，IP-Adapter为0.821，从定量数据结果表示面部特征相似度 InstantID >Pulid>IP-Adapter。

第2组图评估

这组输入图InsightFaceDIST距离评分为：Pulid为0.807，InstantID为0.596，IP-Adapter为0.752，从定量数据结果表示面部特征相似度 InstantID >Pulid>IP-Adapter。

FaceAnalysis DLib定量评估

第1组图评估

这组输入图DLib DIST距离评分为：Pulid为0.566，InstantID为0.6076，IP-Adapter为0.823，从定量数据结果表示面部特征相似度 Pulid >InstantID > IP-Adapter。本次Pulid胜出。

第2组图评估

这组输入图DLib DIST距离评分为：Pulid为0.645，InstantID为0.541，IP-Adapter为0.703，从定量数据结果表示面部特征相似度 InstantId >PulId> IP-Adapter。本次InstantId胜出。

评估总结

从从上面两组对比图中，能够显著看出面部特征保持ip-adapter是最弱的，PuLId和InstantId都是保持一致性比较好的，大部分场景InstantId会胜出一些，从感官上InstantId是适应更全面场景。但是能够明显看出InstantId的风格更偏全景艺术风，而PuLId是面部特征更偏向输入图像。这导致PulId也会受输入图的清晰度影响输出效果。InstantId还存另一个在问题是需要的显存资源较大。ip-adapter是不仅面部特征识别和保持功能，更重要是作为特征提取重要基础设施应用广泛。因此，评估效果各有优势，视场景选择技术框架是最优方案。

本文来源于网络，版权归原作者所有。