本地生图脸部变形怎么修
不要把“更清晰”当成“更正确”
我们曾经生成出一张纹理非常清晰的脸部特写，第一眼看似成功，放大后却发现大小眼、视线不一致、眉形和鼻翼轻微变形。真正有效的修复不是继续放大，而是先判断问题发生在构图、基础结构还是后期细化。
一、失败样本：清楚，却不自然
失败样本使用 Juggernaut XL v9，1024×1024、30 steps、CFG 5、Seed 20260912。生成约53秒，峰值显存约3.76GB。皮肤和睫毛很清楚，但脸几乎填满画面，任何不对称都会被放大。
这张图不能作为“本地模型人脸质量通过”的样本。缩略图只会让问题暂时看不见，用户下载大图后仍会发现变形。
二、同规格对照告诉了我们什么
我们随后用相同的25岁成年中国女性、1024×1024、暖灰影棚光和脸部特写构图做云端对照。对照结果的双眼、虹膜反光、眉毛和唇纹更稳定，但皮肤带有更明显的商业美容修饰。
对照的意义不是简单判断谁更好，而是分离变量：提示词和构图相近时，如果结构差距仍然明显，就需要更换人脸处理流程，而不是继续堆“8K、超清、毛孔”等质量词。
三、症状—原因—修法诊断表
| 症状 | 常见原因 | 先做什么 | 不要做什么 |
|---|---|---|---|
| 大小眼、视线不一致 | 脸占画面过大；基础模型眼部结构不稳 | 退回标准头肩构图，正脸、两耳可见、双眼直视 | 不要直接四倍放大 |
| 皮肤像塑料或蜡 | 过度锐化、去噪过强、质量词堆叠 | 减少“极致毛孔/超锐利”，增加自然柔光和真实肤质 | 不要继续强化皮肤细节 |
| 鼻翼、嘴角轻微扭曲 | 基础图已经错，高清修复把错误放大 | 先用 FaceDetailer/ADetailer 低强度修脸 | 不要把错误底图直接上采样 |
| 脸正确但不像参考人物 | 缺少身份编码，只做了普通图生图 | 接入 InstantID/IP-Adapter FaceID | 不要只重复“保持完全一致” |
| 全身图手脚出错 | 人物像素占比太低，四肢动作过复杂 | 先简化姿势，分阶段生成并局部修复 | 不要同时要求复杂手势和跑跳动作 |
四、我们采用的正确顺序
- 先定构图：标准头肩像优先于超近景；正脸测试优先于侧脸和仰拍。
- 再看结构：在100%和200%倍率检查眼、鼻、嘴、耳朵和下颌，不合格就重生基础图。
- 然后锁身份：需要同一人物时使用身份适配器，不把风格参考误当身份控制。
- 只修问题区域：遮罩修眼睛或手部，避免整图重绘导致原本正确的部分一起变化。
- 最后才高清：低强度放大与锐化只负责呈现细节，不能创造正确的五官结构。
五、正脸复测结果
把提示词改为“标准正脸头肩像、人物居中、头部竖直、两耳可见、双眼直视镜头”，并明确排除斜脸、歪头、视线偏移、大小眼和鼻部变形后，832×1024复测明显改善。它仍没有达到云端模型的稳定程度，但已经成为接入人脸细化器前的合格基准。
六、五个最常见的脸部症状速查
下面这五条是我们在实际筛图时出现频率最高的，按“一眼能不能看出来”从难到易排。放在这里的目的是让你在挑图时有一份固定的检查顺序，而不是凭感觉觉得“哪里怪怪的”。
- 瞳孔不等大 / 高光不同侧 最隐蔽，也最致命。两只眼睛的反光点如果一个在左上、一个在右上，观众说不出哪里不对，但会本能觉得这张脸“假”。放大到眼部单独看一遍，是唯一可靠的检查方式。
- 鼻唇沟一侧消失 半侧光的时候特别容易出现，暗部那一侧的结构被模型“抹平”了。表现是脸看起来一半立体一半扁平。改光位比改提示词有效。
- 牙齿数量或排列异常 张嘴笑的图必查。AI 对牙齿的处理至今不稳定，能避开就避开——闭唇微笑的成功率远高于露齿笑。
- 耳朵与下颌线断裂 通常出现在头发遮挡的边界处。头发盖住耳朵一半时，模型经常把耳廓和下颌线接错。写提示词时明确“头发在耳后”或“耳朵完全被遮住”，二选一，别留模糊地带。
- 皮肤过于均匀 俗称塑料皮。这不是错误，是缺少细节，属于“正确但不真实”。修法在写实人像那篇里详细写了。
挑图时按这个顺序过一遍，比来回看整张图快得多。人眼看整体时会自动补全，只有强迫自己分区域看，才能发现被大脑“修好”了的错误。
七、建立自己的失败样本库
一个反直觉但很有用的习惯：失败的图不要删。我们现在的做法是给每次失败的图配一行文字，记下当时的提示词差异和判断，攒成一个本地文件夹。
这么做的价值在第二个月才会显现。当你手上有三十张失败样本时，规律会自己浮出来——比如我们后来发现，超近景 + 侧逆光 + 露齿笑这三个条件同时出现时，失败率高得离谱；而任意去掉一个，成功率立刻回到正常水平。这种结论靠单次生成是看不出来的，只有横着比才能发现。
- 文件名带上关键变量，比如
近景_侧逆光_露齿_失败_瞳孔.png。别指望以后靠记忆分辨。 - 只记差异，不记全部参数。全参数太长没人会看，“比上一张只改了光位”这种信息才有用。
- 定期回看。攒着不看等于没攒。我们的节奏是每积到二十张回顾一次。
配套的参数记录方法，我们整理成了单独一篇：AI 图片模型怎么公平测试。
八、什么时候该停止改提示词
这是本文最想说的一句话：提示词能解决的问题有边界。越过这条边界之后，继续改提示词只是在消耗时间。
我们的判断标准很直接——同一个问题，换了三种不同写法都没改善，就说明它不是描述层面的问题。这时候要换的是手段，不是措辞。
- 结构性错误（五官错位、手指数量、透视崩坏）→ 换 seed、降低近景程度、或者换一个更适合这个题材的底模。改提示词基本无效。
- 身份不一致（每张都是不同的人）→ 这从来不是提示词能解决的，需要参考图 + 一致性流程，见参考图为什么仍会变脸。
- 细节不足（够对但不够细）→ 这才是提示词和放大流程的主场，继续改是值得的。
- 风格跑偏（对了但不是你要的调子）→ 提示词有效，但更快的路子是找一张目标风格的参考图。
把“该改提示词”和“该换手段”分开，是从新手到熟手最明显的一道坎。新手的典型状态是同一句话改了二十遍，每遍都觉得“这次应该行了”。熟手的状态是改三遍不行就换路，因为他知道剩下的十七遍不会有结果。