Preservación de la identidad en AI Face Swap: puntos de referencia ArcFace vs AdaFace (2026)
sun d
Publicado el.: 4/28/2026
Preservación de la identidad: ArcFace vs AdaFace
La preservación de la identidad es la dimensión de calidad más importante en el intercambio de rostros. La red de incrustación de rostros es lo que le dice al generador "esta es la persona que estamos transfiriendo". Dos incorporaciones dominan las pilas de producción de 2026: ArcFace y AdaFace. Comparamos ambos en un proceso de producción de intercambio de caras.
Para qué se optimiza cada inserción
ArcFace introdujo una pérdida de margen angular aditiva en 2018, dominando los puntos de referencia de reconocimiento facial durante años. Sus incorporaciones están estrechamente agrupadas por identidad: excelente para verificación, sólida para transferencia de identidad en tiempo de intercambio.
AdaFace (2022) agregó un margen de adaptación de calidad: pondera las imágenes de baja calidad de manera diferente durante el entrenamiento, lo que genera incrustaciones más resistentes al desenfoque, baja resolución e iluminación difícil.
Configuración de referencia
Conjunto de prueba: 1000 pares de rostros de un conjunto de evaluación disponible que cubre diversos ángulos, iluminación y calidad de imagen.
Canalización: Mismo generador de intercambio de caras Wan 2.2, solo se intercambió la red de inserción.
Métricas: similitud del coseno de ArcFace (sí, se usa como evaluación independientemente de la incrustación de generación: evaluación independiente), calificación de preferencia humana, densidad de artefactos.
Hardware: H100 80 GB.
Resultados: imágenes originales de alta calidad
Métrica
ArcFace
AdaFace
Similitud de identidad (media)
0,79
0,78
Similitud de identidad (p10)
0,71
0,72
Preferencia humana
52%
48%
Reloj de pared por intercambio
1,0× base de referencia
1,05× base de referencia
En fuentes limpias y de alta calidad, las dos incrustaciones son estadísticamente indistinguibles. Elija por facilidad de integración.
Resultados: imágenes originales de baja calidad
Métrica
ArcFace
AdaFace
Similitud de identidad (media)
0,62
0,71
Similitud de identidad (p10)
0,48
0,61
Preferencia humana
34%
66%
En fuentes borrosas, de baja resolución o con poca iluminación, el margen adaptable a la calidad de AdaFace brilla. La brecha del caso p10 (insumos del peor decil) es lo suficientemente grande como para importar a escala.
Resultados: fuente fuera de ángulo
Ambas incrustaciones luchan por superar el giro de cabeza de ~45°. Ninguno de los dos es significativamente mejor. La solución aquí es del lado del generador, no del lado de la incrustación: mejor guía de la imagen de origen y redes de generación con reconocimiento de pose.
Resultados: rendimiento interdemográfico
Dividimos el conjunto de pruebas por grupo demográfico de origen (mejor práctica para la evaluación comparativa de reconocimiento facial). AdaFace redujo, pero no eliminó, la brecha de rendimiento demográfico que han mostrado las implementaciones anteriores de ArcFace. La solución fundamental aquí es la composición de los datos de entrenamiento; Ambas redes mejoran cuando se entrenan con datos demográficamente equilibrados.
Guía de decisiones de producción
Intercambio de caras del consumidor con fotos subidas por él mismo: AdaFace es la mejor opción predeterminada. Las fotos subidas por los usuarios varían mucho en calidad.
Flujo de trabajo de nivel de estudio con fuentes seleccionadas de alta calidad: ArcFace está bien; la ganancia de calidad de AdaFace es marginal aquí.
API que atiende a poblaciones mixtas de clientes: AdaFace es el valor predeterminado más seguro: el peor de los casos es mucho mejor y el mejor de los casos está estadísticamente empatado.
Latencia crítica en tiempo real: la inferencia ligeramente más rápida de ArcFace puede ser importante en el margen. Pruebe en su hardware.
Enfoques híbridos
Algunas pilas de producción de 2026 combinan ambos: ArcFace para el vector de identidad principal, AdaFace como un respaldo consciente de la calidad cuando la puntuación de calidad de la imagen de origen está por debajo del umbral. El conjunto agrega aproximadamente un 5 % de latencia para un comportamiento entre un 10 % y un 15 % mejor en el peor de los casos. Vale la pena para productos de consumo para el público general.
Más allá de ArcFace y AdaFace
En los artículos de 2025 han aparecido incorporaciones más nuevas (CosFace 2.0, MagFace v2, varias redes propietarias). Ninguno ha desplazado a ArcFace/AdaFace como sistema de producción predeterminado todavía, generalmente porque la ganancia marginal no justifica el costo de integración en los ductos establecidos. Mire los procedimientos de NeurIPS y CVPR de 2026 para ver candidatos que podrían hacerlo.
Honestidad en la evaluación
Una trampa: no evaluar la preservación de la identidad utilizando la misma red de integración que impulsó la generación. El modelo se optimizó efectivamente para la noción de identidad de esa incrustación, por lo que la puntuación está inflada. Evalúe siempre con una incrustación independiente (utilizamos un ArcFace entrenado por separado para las generaciones impulsadas por ArcFace y AdaFace).
Qué utiliza DeepSwapAI
El proceso de producción de DeepSwapAI utiliza un híbrido: AdaFace como identidad principal integrada en ArcFace como control de verificación durante la puntuación de calidad. Esto brinda solidez al segmento de consumidores con verificación de nivel de estudio. Documentado en la página de metodología de investigación.
Conclusión
Para escenarios de entrada de consumo o de calidad mixta, AdaFace es la mejor integración en 2026. Para entradas seleccionadas con calidad de estudio, ambas están empatadas. Los conjuntos híbridos capturan la mejora en el peor de los casos a un costo modesto. La palanca más importante en la preservación de la identidad es la arquitectura del lado del generador y el equilibrio de los datos de entrenamiento: la elección de integración es significativa pero no dominante.
