全身图的脸为什么总是崩：量化根因 + FaceDetailer 脸部二次重绘实战（ComfyUI + Impact Pack）

全身图的脸为什么总是崩：量化根因 + FaceDetailer 脸部二次重绘实战

关键词：SDXL · 角色 LoRA · 全身图脸部崩坏 · FaceDetailer · ComfyUI-Impact-Pack · ADetailer · Tesla P40 · 实测数据

角色 LoRA 训好之后，最容易被忽略的一个坑是：半身/特写图的脸很稳，一旦换成全身图，脸就崩了——常见表现是眼睛变成横向条纹、一只眼金一只眼绿、五官糊成一团或整体歪掉。很多人第一反应是"LoRA 训废了"，然后回去重训。其实跟 LoRA 版本没关系：v3 到 v8 都会这样。本文把根因量出来，并给出可复现的修复方案（脸部二次重绘），所有数字都是本地那张 24G 卡上的实测值。

一、先量化：全身图里脸到底有多大

别用形容词讨论"糊不糊"，先量像素。把出图叠上 100 像素间隔的坐标网格，逐张读脸（眉毛到下巴、不含头发与头饰）的实际像素范围：

换算到潜在空间（SDXL 的 latent 是 1/8 分辨率）就更直观了：832×1216 的图，其 latent 只有 104×152，整张脸落在约 11×11 个 latent 像素里，一只眼睛只占 3–4 个 latent 像素。

二、三条根因（缺一不可）

1. latent 像素预算不足。 采样器在"没有足够像素可画"的区域，只能猜五官的位置与形状。3–4 个 latent 像素画一只眼睛，等于让画师用 3 个格子画瞳孔。
2. 采样器会把这种"猜"放大。 带随机注入的采样器（例如 euler_ancestral）每一步都加噪声，在小 latent 区域里，猜对的细节会被噪声淹没，猜错的部分反而被强化成横向条纹、异色、拉长变形——这正是"崩"的直接来源。换成非 ancestral 采样器能减轻，但不能解决（因为第 1 条还在）。
3. 训练分布不匹配。 数据集里的脸通常是以大脸裁图形式喂进去的（脸占画面 30%–60%）。于是模型积累的是"大脸先验"，没有"小脸先验"：脸一大就稳、一小就崩。这也解释了为什么"特写很完美、全身一塌糊涂"。

顺带排掉两个误判方向：加 3d, cg, realistic 这类词是风格控制，对脸部结构无效；把脸写进负面词更没用。这不是提示词问题，是像素问题。

三、为什么普通的 hires 二次采样救不了

常见的两阶段 hires（放大 1.25 倍再以 denoise 0.3 重采样）只能把脸从 87 px 抬到约 110–154 px，仍远低于五官稳定所需的尺度；而且低 denoise 的二次采样不会重建五官结构，只是"给糊掉的脸刷了层清漆"。想在原画布内凭空造出分辨率是不可能的——画布不放大，脸就永远只有那点像素。

真正的解法是工业界早就用惯的思路：把脸裁出来单独重绘，再贴回去。这就是 ADetailer / FaceDetailer 的核心机制，也是本文的方案。

四、机制：脸部二次重绘的五步

1. 检测：用目标检测模型找出脸部框图（本文用 YOLOv8 人脸模型 face_yolov8m）。
2. 裁剪与外扩：按框图外扩取一块（含少量头发/颈部，保证贴回无缝）。
3. 放大到训练分布：把这块裁图缩放，使脸在裁图里占到约 512 px（guide_size）——这一步是关键，等于把"小脸"还原成模型熟悉的"大脸"。
4. 低强度重绘：用同一个角色 LoRA、以 denoise 0.4 左右重绘这块裁图。既修正五官，又不会换人。
5. 羽化贴回原图：用带羽化的蒙版贴回，接缝不可见。

实测效果：原来两眼上的横向黑色条纹乱码被彻底修掉，变成干净、对称、带花型虹膜的金瞳；发丝、红色头饰、颈饰、颈部接缝全部保持一致，没有引入新的崩坏。

五、安装：ComfyUI-Impact-Pack 的正确姿势（含一个能把环境搞坏的坑）

FaceDetailer 节点在 ComfyUI-Impact-Pack 里；从 v8.x 起，人脸检测器节点 UltralyticsDetectorProvider 被挪到了 ComfyUI-Impact-Subpack，两个都要装。

坑一（最危险）：千万不要直接执行 pip install -r requirements.txt。 该插件的 requirements 里有 git+https://github.com/facebookresearch/sam2，pip 为了构建它会去下载一整个 GPU 版 torch（实测 554 MB 级）来替换你现有的 torch——本次是靠哈希校验失败才没装成，否则环境当场就废了。正确的做法是跳过 sam2，只装真正需要的包（你少掉的只是 SAM2 功能，脸部修复用 YOLO 检测框完全够用）：

# 1) 先把不能动的包钉死（写进 constraints.txt）
numpy==2.2.6
torch==2.13.0+cu126
torchvision==0.28.0+cu126

# 2) 只装必要依赖（跳过 sam2）
pip install -c constraints.txt \
  opencv-python-headless piexif scikit-image dill \
  segment-anything ultralytics transformers

# 3) 克隆插件（主包 + Subpack）
git clone --depth 1 https://github.com/ltdrdata/ComfyUI-Impact-Pack.git
git clone --depth 1 https://github.com/ltdrdata/ComfyUI-Impact-Subpack.git

# 4) 下载人脸检测模型（放到 models/ultralytics/bbox/）
curl -L -o models/ultralytics/bbox/face_yolov8m.pt \
  https://hf-mirror.com/Bingsu/adetailer/resolve/main/face_yolov8m.pt

# 5) 重启 ComfyUI
systemctl restart comfyui

用 constraints 钉住版本的意义：任何依赖想升级它们会直接报冲突，而不是静默替换。装完务必复核一次 pip list，确认 torch 版本没变。

坑二：判断插件装没装，不能看 HTTP 状态码。 请求一个不存在的节点，接口同样返回 200，只是内容为空对象。必须看返回内容是否为空，并交叉确认插件目录存在、模型目录里有文件：

curl -s http://127.0.0.1:8188/object_info/FaceDetailer        # 空对象 = 没装
ls custom_nodes/ | grep Impact                                # 目录在不在
ls models/ultralytics/bbox/                                   # 检测模型在不在

坑三：GitHub 可能抽风。 本次遇到 TLS 连接被中断，改用镜像（ghproxy、gitclone 之类）才成功；国内从 HuggingFace 下载模型走 hf-mirror 更稳。

六、工作流参数与耗时（实测）

工作流结构：出图（单阶段 txt2img）→ FaceDetailer 脸修 → 贴回；另外把检测到的脸裁片和检测蒙版各存一份，便于事后核对"检测框到底落在哪、有没有框歪"。

检测器在 832×1216 全身图上检出的脸框实测为 139×138 px——这个数字反过来印证了第一节的结论：这就是 SDXL 要在 3–4 个 latent 像素里画眼睛的那张脸。脸部重绘不改变画布尺寸，它改变的是"画这张脸时用的有效分辨率"。

七、边界与交付建议

• 脸修能修结构崩坏（条纹、异色、五官错位），但不能凭空造分辨率：832×1216 里的脸依旧是那个尺寸，贴回后是"干净的小脸"，不是"大脸"。
• 要让脸真正看得清，两条路：① 放大画布（两阶段 hires 到 1040×1520 或更高，再叠加脸修）；② 每张交付图附一张脸特写。工程上通常是"交付图走 ①，预览图走 ②"。
• 检测模型的框偶尔会落在"额头+头饰"上而不是脸上（尤其是配饰夸张的角色）。所以工作流里把检测蒙版单独存一份、交付前扫一眼，是廉价而有效的兜底。

八、踩坑清单（可直接对照排查）

九、小结

把这件事压缩成四句话：

① 全身图脸崩是像素问题，不是模型问题。 脸只有 87–143 px、眼睛 25–30 px，落在 11×11 个 latent 像素里，采样器只能猜。
② 提示词与 hires 都治不了根。 前者管风格，后者只刷清漆。
③ 正解是脸部二次重绘： 检测 → 裁出 → 放大到 512 → 用同一个 LoRA 以 denoise 0.4 重绘 → 羽化贴回；整条链路每张只加约两分钟。
④ 想真正看清脸，只有放大画布这一条路。 在原画布内重绘无法凭空造出分辨率。

完整工作流（出图 + FaceDetailer + 脸裁片/蒙版留档）已在本机 ComfyUI 的工作流列表里，参数就是上表那套，可以直接拉下来改成自己的角色 LoRA 用。有同样问题的欢迎在楼下讨论。