身分保存：ArcFace 與 AdaFace
身分保存是換臉過程中最重要的品質維度。人臉嵌入網路告訴生成器「這是我們要轉移的人」。兩種嵌入在 2026 年生產堆疊中占主導地位：ArcFace 和 AdaFace。我們在生產換臉管道上對兩者進行了基準測試。
每個嵌入優化的目的
ArcFace 在 2018 年引入了附加角度裕度損失，多年來主導著人臉辨識基準。它的嵌入按身份緊密聚集——非常適合驗證，對於交換時身份傳輸也很強大。
AdaFace (2022) 增加了品質自適應餘裕：它在訓練過程中對低品質影像進行不同的加權，從而使嵌入對於模糊、低解析度和困難照明更加穩健。
基準設定
- 測試集：來自保留的評估集的 1,000 對面孔，涵蓋不同的角度、光照和影像品質。
- 管道：相同的 Wan 2.2 換臉產生器，僅交換了嵌入網路。
- 指標：ArcFace 餘弦相似度（是的，無論生成嵌入如何，都用作評估 - 獨立評估）、人類偏好評分、工件密度。
- 硬體： H100 80GB。
結果 - 高品質來源影像
| 公制 | ArcFace | AdaFace |
|---|
| 身份相似度（平均值） | 0.79 | 0.78 |
| 身份相似度（p10） | 0.71 | 0.72 |
| 人類偏好 | 52% | 48% |
| 每次交換的掛鐘 | 1.0×基線 | 1.05×基線 |
在乾淨、高品質的來源上，這兩種嵌入在統計上是無法區分的。依整合難易度進行選擇。
結果 - 低品質來源影像
| 公制 | ArcFace | AdaFace |
|---|
| 身份相似度（平均值） | 0.62 | 0.71 |
| 身份相似度（p10） | 0.48 | 0.61 |
| 人類偏好 | 34% | 66% |
在模糊、低解析度或光線不足的光源上，AdaFace 的質量自適應餘裕表現出色。 p10 情況（最差十分位數輸入）差距足夠大，足以影響規模。
結果 - 偏角光源
兩種嵌入都難以超過約 45° 的頭部轉動。兩者都沒有明顯更好的意義。這裡的修復是生成器端，而不是嵌入端：更好的來源影像引導和姿勢感知生成網路。
結果 - 跨人口統計表現
我們按來源人口統計組劃分測試集（人臉辨識基準測試的最佳實踐）。 AdaFace 縮小了但並未消除舊 ArcFace 部署所顯示的人口統計效能差距。這裡的根本解決方法是訓練資料組合；當使用人口統計平衡資料進行訓練時，這兩個網路都會得到改善。
生產決策指南
- 消費者使用自行上傳的照片來換臉：AdaFace 是更好的預設。用戶上傳的照片品質差異很大。
- Studio 級工作流程和精選的高品質來源：ArcFace 很好； AdaFace 的品質提昇在這裡微乎其微。
- 為混合客戶群體提供服務的 API：AdaFace 是更安全的預設 - 最壞的情況要好得多，而最好的情況在統計上是相關的。
- 延遲關鍵的即時：ArcFace 稍快的推理速度可能會產生影響。在您的硬體上進行測試。
混合方法
一些 2026 年生產堆疊將兩者結合在一起：ArcFace 作為主要身份向量，AdaFace 作為來源影像品質分數低於閾值時的品質感知後備。該整合增加了大約 5% 的延遲，最壞情況下的行為改善了 10-15%。對於一般受眾的消費產品來說是值得的。
超越 ArcFace 和 AdaFace
較新的嵌入（CosFace 2.0、MagFace v2、幾個專有網絡）已出現在 2025 年論文中。目前尚未有任何一種技術能夠取代 ArcFace/AdaFace 作為生產預設產品，這通常是因為邊際效益並不能證明已建立的管道中的整合成本是合理的。觀看 2026 年 NeurIPS 和 CVPR 會議，尋找可能的候選人。
評估誠實度
一個陷阱：不要使用驅動產生的相同嵌入網路來評估身分保留。該模型有效地針對嵌入的身份概念進行了優化，因此分數被誇大了。始終使用獨立嵌入進行評估（我們對 ArcFace 驅動和 AdaFace 驅動的一代都使用單獨訓練的 ArcFace）。
DeepSwapAI 使用什麼
DeepSwapAI 的生產管道使用混合體：AdaFace 作為主要身分嵌入，ArcFace 作為品質評分期間的驗證檢查。這為消費者細分市場提供了工作室級驗證的穩健性。記錄在研究方法頁面。
底線
對於消費者或混合品質輸入場景，AdaFace 是 2026 年更好的嵌入。對於工作室級策劃的輸入，兩者是並列的。混合整合以適度的成本捕獲最壞情況的改進。身分保存中更大的槓桿是生成器端架構和訓練資料平衡——嵌入選擇是有意義的，但不是主導性的。
