严格人脸一致性二创的范式阶梯（假说）
验证等级：🔬 未验证假说——除标注「已验证」的两点外，本文其余各档均未在本工作站实测，仅为工具版图推理。不可指导决策，需逐档实操验证后方可升 ⚠️ 首次发现。 日期：2026-06-24 触发：GPT Image 2 锁脸撞上 ~92% 上限后，追问”想严格锁脸做二创有没有更优解”
一、问题重定义（这是阶梯成立的前提）
GPT Image 2 / MJ 这类是全局重生成（generate）工具——每次从噪声把整张图重画，没有机制”钉住”参考脸的像素。 → 用重生成工具逼严格一致，是在跟底层机制对着干，~92% 就是天花板（见 GPTImage2锁脸的脸占比上限_v1，已验证）。 → 想”严格”，必须让身份操作脱离全局重生成：要么后期贴脸，要么生成时强注入身份，要么训进模型。 → 这是 生成式vs编辑式工具选择律_v1 在”身份”维度的延伸：严格锁脸要的是 EDIT/注入，不是 GENERATE。
二、四档范式阶梯（按锁脸严格度↑，上手成本↑）
第一档 · 后期换脸（假说：最严格、且能保住已成立的氛围图）
- 工具：ReActor / InsightFace faceswap（SD 插件或独立/在线版）。
- 做法：保留重生成出的好氛围图不动，把参考脸 swap 进去 → 身份是复制级，不存在跑脸。
- 前提：成图人脸角度 ≈ 参考图角度（正脸对正脸最稳）。
- 代价：需补一道光影/肤色融合（swap 后脸与场景的光可能不贴，inpaint 脸部一圈重渲）。
- 未验证点：本工作站未跑过 ReActor 融合质量、角度容差范围。
第二档 · SD + 身份适配器（假说：系列二创的标准答案）
- 工具：InstantID / PuLID / IP-Adapter FaceID（SDXL 生态）。
- 喂一张参考脸，生成时把身份作为强条件注入，跨姿态/跨场景锁得住。
- 适合：“一张参考脸 × 一系列不同场景”。
- 代价：本地 SD 环境 + 调适配器/ControlNet 权重，有配置成本。
- 未验证点：未实测三者在汉服古风+强风格化场景下的身份保持度与画风冲突。
第三档 · Nano Banana 锁脸（部分已验证，作为 GPT Image 2 易用平替）
- 已验证：双工具分工_nano锁脸+MJ摄影质感_v1 中 Nano（Gemini）编辑模式锁脸强于 GPT Image 2。
- 结论：下次同类改绘直接用 Nano 替 GPT Image 2，起点高于 85%。仍是”上传图+指令”易用流。
- 未验证点：Nano 在”全身小脸占比”下是否同样撞类似上限，未单独测。
第四档 · 角色 LoRA（假说：终极，仅长线 IP 回本）
- 多张脸训一个角色 LoRA → 任意场景/工具调用同一张脸，一致性与自由度双高。
- 代价最大：数据集 + 训练。只有角色要做长期系列/IP（如凝视单元剧、檐下 IP）才回本，单张二创杀鸡用牛刀。
- 未验证点：本工作站 LoRA 训练链路与最小数据集规模未实操。
三、决策表（假说）
| 真实需求 | 假定最优解 |
|---|---|
| 就一张、要严格 | 第一档 后期换脸（保住氛围图，身份复制级） |
| 一张脸 × 一系列场景 | 第二档 SD + InstantID/PuLID |
| 不碰 SD、要易用 | 第三档 Nano 替 GPT Image 2 |
| 角色做成长期 IP | 第四档 训 LoRA |
一句话假说：严格度与上手成本成正比，按”一张还是一个系列”选档最不浪费。
四、验证待办（升格路径）
- 第一档：拿本次 GPT Image 2 成图 + 图1，跑一次 ReActor faceswap，评融合质量 → 成则升 ⚠️。
- 第二档：SD 装 InstantID，单参考脸跑古风场景，评身份保持 vs 画风冲突。
- 第三档：Nano 复跑本次同人改绘，对比 GPT Image 2 起点。
- 第四档：暂缓，待有长线 IP 需求再验。
相关 GPTImage2锁脸的脸占比上限_v1 微调的边界 双工具分工_nano锁脸+MJ摄影质感_v1 生成式vs编辑式工具选择律_v1 识别工具天花板的时机