Preservação de identidade em AI Face Swap: ArcFace vs AdaFace Benchmarks (2026)
sun d
Publicado em.: 4/28/2026
Preservação de identidade: ArcFace vs AdaFace
A preservação da identidade é a dimensão de qualidade mais importante na troca de rostos. A rede de incorporação facial é o que informa ao gerador “esta é a pessoa que estamos transferindo”. Dois embeddings dominam as pilhas de produção de 2026: ArcFace e AdaFace. Comparamos ambos em um pipeline de troca de face de produção.
O que cada incorporação otimiza
O
ArcFace introduziu perda de margem angular aditiva em 2018, dominando os benchmarks de reconhecimento facial durante anos. Suas incorporações são fortemente agrupadas por identidade – excelente para verificação, forte para transferência de identidade em tempo de troca.
AdaFace (2022) adicionou margem adaptativa de qualidade: ele pondera imagens de baixa qualidade de maneira diferente durante o treinamento, resultando em embeddings mais resistentes a desfoque, baixa resolução e iluminação difícil.
Configuração de referência
Conjunto de teste: 1.000 pares de rostos de um conjunto de avaliação realizado cobrindo vários ângulos, iluminação e qualidade de imagem.
Pipeline: mesmo gerador de troca facial Wan 2.2, apenas a rede de incorporação foi trocada.
Métricas: similaridade de cosseno do ArcFace (sim, usado como avaliação independentemente da incorporação de geração — avaliação independente), classificação de preferência humana, densidade de artefatos.
Hardware: H100 80GB.
Resultados — Imagens de origem de alta qualidade
Métrica
ArcFace
AdaFace
Semelhança de identidade (média)
0,79
0,78
Semelhança de identidade (p10)
0,71
0,72
Preferência humana
52%
48%
Relógio de parede por troca
1,0× linha de base
1,05× linha de base
Em fontes limpas e de alta qualidade, as duas incorporações são estatisticamente indistinguíveis. Escolha pela facilidade de integração.
Resultados — Imagens de origem de baixa qualidade
Métrica
ArcFace
AdaFace
Semelhança de identidade (média)
0,62
0,71
Semelhança de identidade (p10)
0,48
0,61
Preferência humana
34%
66%
Em fontes desfocadas, de baixa resolução ou mal iluminadas, a margem adaptável de qualidade do AdaFace brilha. A lacuna do caso p10 (entradas do pior decil) é grande o suficiente para ser importante em escala.
Resultados — Fonte fora do ângulo
Ambas as incorporações lutam para ultrapassar a rotação da cabeça de aproximadamente 45°. Nenhum dos dois é significativamente melhor. A solução aqui está no lado do gerador, não no lado da incorporação: melhor orientação da imagem de origem e redes de geração com reconhecimento de pose.
Resultados — Desempenho entre grupos demográficos
Dividimos o conjunto de testes por grupo demográfico de origem (prática recomendada para benchmarking de reconhecimento facial). O AdaFace reduziu, mas não eliminou, a lacuna de desempenho demográfico que as implantações mais antigas do ArcFace mostraram. A solução fundamental aqui é treinar a composição dos dados; ambas as redes melhoram quando treinadas com dados demograficamente equilibrados.
Guia de decisão de produção
Troca de rosto do consumidor com fotos enviadas pelo próprio: AdaFace é o melhor padrão. As fotos enviadas pelos usuários variam muito em qualidade.
Fluxo de trabalho de nível de estúdio com fontes selecionadas de alta qualidade: ArcFace é ótimo; o ganho de qualidade do AdaFace é marginal aqui.
API que atende populações mistas de clientes: AdaFace é o padrão mais seguro — o pior caso é muito melhor, e o melhor caso está estatisticamente vinculado.
Latência crítica em tempo real: a inferência um pouco mais rápida do ArcFace pode ser importante na margem. Teste em seu hardware.
Abordagens Híbridas
Algumas pilhas de produção de 2026 reúnem ambos: ArcFace para o vetor de identidade primário, AdaFace como um substituto com reconhecimento de qualidade quando a pontuação de qualidade da imagem de origem está abaixo do limite. O conjunto adiciona cerca de 5% de latência para um comportamento de pior caso 10–15% melhor. Vale a pena para produtos de consumo para o público em geral.
Além do ArcFace e do AdaFace
Embeddings mais recentes (CosFace 2.0, MagFace v2, diversas redes proprietárias) apareceram em artigos de 2.025. Nenhum deles substituiu o ArcFace/AdaFace como padrão de produção ainda — normalmente porque o ganho marginal não justifica o custo de integração em pipelines estabelecidos. Assista aos procedimentos do NeurIPS e CVPR de 2026 para candidatos que possam.
Honestidade na avaliação
Uma armadilha: não avalie a preservação da identidade usando a mesma rede de incorporação que impulsionou a geração. O modelo foi efetivamente otimizado para a noção de identidade dessa incorporação, de modo que a pontuação é inflacionada. Sempre avalie com uma incorporação independente (usamos um ArcFace treinado separadamente para gerações orientadas por ArcFace e por AdaFace).
O que o DeepSwapAI usa
O pipeline de produção do DeepSwapAI usa um híbrido: AdaFace como identidade primária incorporada com ArcFace como verificação durante a pontuação de qualidade. Isso proporciona robustez ao segmento de consumo com verificação de nível de estúdio. Documentado na página de metodologia de pesquisa.
Resultado
Para cenários de consumo ou de entrada de qualidade mista, AdaFace é a melhor incorporação em 2026. Para entradas com curadoria de nível de estúdio, ambos estão empatados. Os conjuntos híbridos capturam a melhoria do pior caso a um custo modesto. A maior alavanca na preservação da identidade é a arquitetura do lado do gerador e o equilíbrio dos dados de treinamento – a escolha de incorporação é significativa, mas não dominante.
