企业官网建设流程全解析

Frame 0 Anchoring 深度拆解：BFS-Video 凭什么跨帧锁住同一张脸？

视频换脸与静态换脸是两种难度。静态图只需交付一张"像"的照片，而视频要求几十帧连续输出同一张脸——帧与帧之间不能抖、不能飘、不能换人。社区对 BFS 系列视频权重（BFS-Best-Face-Swap-Video）的讨论中，"Frame 0 Anchoring"被反复提及：以第 0 帧为锚，让后续每一帧的身份都向它对齐。这个概念听起来直观，真正实现起来却需要 LoRA 微调、条件注入与噪声调度三件事的精密配合。本文结合社区对 LTX-2 实验线的报道与本仓库的实际权重、工作流与文档，逐层拆解这套跨帧锁脸机制。

视频换脸为什么容易"跳脸"

先理解问题本身。视频换脸最常见的失败形态不是"某帧糊了"，而是身份漂移（identity drift）：第 5 帧还是目标的脸，第 30 帧开始像目标又像别人，第 90 帧彻底变成另外一个人；或者表情、光影在帧间闪烁，静止帧各自完美，连起来看像换了三次脸。

根因在于大多数图像编辑模型把每一帧当作独立样本处理。单帧推理时，模型看到的条件只有"参考脸 + 当前帧画面"，它既不知道前一帧的脸长什么样，也不知道后一帧会变成什么样。扩散去噪过程本身又具有随机性：在低噪声（细节）阶段，模型有充足自由度去重新解释身份特征，于是同一个参考脸在不同帧被"再认"出略微不同的版本，累积起来就是肉眼可见的跳脸。

BFS 仓库的静态模型文档其实已经预演了这个问题的单帧版本。在 Qwen Image 2.1 全身替换指南 中，作者给出了一个关键结论：参考图格式比分辨率更重要——模型只在"全身站立、面向镜头、纯色浅背景"的参考格式内表现良好，一旦参考图是紧身裁切的人像特写，"参考图自己的背景开始渗入输出，身份变弱"。文档还实测了参考图缩放策略：把参考图缩到约 0.59 MP（约 768×768 面积）能显著保住场景背景，而把参考图放大到与场景同尺寸是最差的设置。也就是说，即便单帧任务，身份信号的强弱也直接受条件注入质量影响；帧与帧之间的身份一致性，只是把这个单帧问题放大成了时间维度上的累积误差。

这也是为什么静态 BFS 系列能靠"输入顺序契约"解决一部分问题：V3/V4/V5 刻意反转输入顺序，让目标身体在前、参考脸在后（见 Qwen Image Edit 指南 的输入顺序表），先锁住场景的光照、姿态与构图，再往上贴身份，从源头减少模型"自由发挥"的空间。这一思路延伸到视频，就变成了 Frame 0 Anchoring。

Frame 0 Anchoring 的锚定原理

根据社区对 BFS 视频模型的报道（2026 年 2 月），BFS-Video 基于 LTX-2 架构，其跨帧身份稳定的核心正是Frame 0 Anchoring：在生成/编辑过程中，以序列的第 0 帧作为身份锚点，后续每一帧的身份特征都通过与锚点帧的耦合来约束，而不是各自独立地"猜"一遍参考脸长什么样。

这个机制的实现依赖 LTX-2 的时空注意力结构。LTX-2 是视频扩散模型，其注意力层同时覆盖空间（单帧内的像素）与时间（帧与帧之间）两个维度。Frame 0 Anchoring 的思路，是把锚点帧的身份信息通过时间注意力路径"广播"到整个序列：去噪过程中，第 N 帧不仅被"当前帧画面 + 参考脸"条件驱动，还被"第 0 帧的身份状态"持续约束。锚点帧在去噪早期就固定了身份的全局结构（脸型、五官比例、发色等低频特征），后续帧只能在它的约束下做高频细节的微调——眼睛方向、头部旋转、微表情，而不是重新发明一张脸。

仓库里能直接验证这条技术线的证据，是 docs/ltx-2.md 中标注为实验性质的三个in-context LoRA检查点：

• bfs_head_swap_v1_ltx2_ic_lora_5000.safetensors
• bfs_head_swap_v1_ltx2_ic_lora_6000.safetensors
• bfs_head_swap_v1_ltx2_ic_lora_12000_train_3.safetensors

文件名里的步数（5000 / 6000 / 12000）暴露了训练策略：同一条数据管线，用不同步数产出多个候选。12000 步的版本训练最充分，理论上把"锚定第 0 帧身份"的行为更深地写进了 LoRA 增量权重。文档明确强调，这些权重必须配合支持 in-context LoRA 契约的 LTX-2 工作流使用，且"不要假设 Qwen 或 Flux 的输入顺序适用于 LTX-2，请遵循你所用工作流的输入契约，并在长序列生成前先测试检查点"。这恰好印证了锚定机制的本质：它不是一个魔法开关，而是一套需要严格对齐的输入契约——参考图、提示词、帧序列的组织方式稍有偏差，锚定就失效。

更关键的是噪声调度。社区报道中提到了 "High-Noise Power Law" 噪声调度与 Frame 0 Anchoring 的配合。扩散模型的去噪过程有明确的阶段分工：高噪声阶段决定图像的全局布局与主体身份，低噪声阶段只修细节。如果帧序列在低噪声阶段仍保留过多随机性，身份特征会在最后几步被"重新洗牌"，锚定效果前功尽弃。High-Noise Power Law 的思路是让高噪声阶段的降噪步数占比更大、降噪曲线更陡，把"是谁"这件事在前几步就拍板定死，后续帧只做细节跟随。这与仓库静态工作流中反复出现的参数设定是一脉相承的——Head Swap 2511 - V5 工作流 备注明确写着"euler + simple + 20 steps + strength 1.1 + CFG: 2.5, CFG Norm: 1.0, Model Sampling 1.0"，其中 Model Sampling（模型采样）节点正是用于控制去噪轨迹、影响噪声分配的关键旋钮。

与 LoRA 微调、条件注入的配合关系

Frame 0 Anchoring 不是孤立存在的，它必须与另外两个机制协同，才能完成"跨帧锁脸"：

第一层：LoRA 微调——把锚定行为写进权重。BFS 的 LTX-2 实验线本身就是 LoRA，而非全量模型。LoRA 微调的作用是让基础模型（LTX-2）在推理时优先服从"从帧 0 读取身份、向帧 0 对齐"的行为模式。注意这里的 LoRA 与静态 BFS 系列是同一套工程体系：仓库根目录下 20 余个 safetensors 权重覆盖 Qwen Image 2.1、Qwen Image Edit 2509/2511、Flux 2 Klein、Krea 2 与 LTX-2 五条产品线（见 README 下载总表），LTX-2 的 in-context LoRA 只是其中最新、最实验性的一条分支。社区报道指出 BFS 视频版正是"LoRA 微调 + 新型条件注入"的组合拳——LoRA 负责身份认知，条件注入负责身份传递。

第二层：条件注入——每帧喂足身份信号。静态 BFS 工作流已经展示了条件注入的成熟形态。Head Swap V1 Flux 2 Klein 工作流.json) 里内置了一个AILab_QwenVL节点（Qwen3-VL-4B-Instruct），它会先分析目标图的面部表情，自动生成一段描述注入提示词；随后主模型收到"身体图 + 参考脸图 + 带表情描述的文字"三重条件。BFS 系列提示词的核心句式高度一致："strictly preserving the hair, eye color, and nose structure of Picture 2. copy the eye direction, head rotation, and micro-expressions from Picture 1"（见 remote_verify/README.md）。翻译过来就是：身份特征从参考图来，动态特征从目标图来。视频场景下，这套注入被推广到每一帧：参考图全程不变（身份恒定），每帧的目标画面与表情描述随帧更新（动态跟随），再加上帧 0 锚定的时序约束，三层条件共同决定输出。

第三层：噪声调度——控制锚定生效的时机。如前所述，High-Noise Power Law 决定"身份在去噪前期定盘"。而 Lightning LoRA 加速采样（工作流中引用的Qwen-Image-Edit-2509-Lightning-4steps，见 V5 工作流的 LoRA 节点）则把整条去噪轨迹压缩到 4-8 步，与视频批处理场景（batch_size 常设 1 但需要连帧出图）对吞吐的要求匹配。步数越少，对噪声调度的精度要求越高——这也是为什么 V5 工作流在 20 步与 4 步两套方案间保留了可切换的 LoRA 通道。

最后必须如实指出边界：LTX-2 线在仓库中仍处于实验阶段——docs/ltx-2.md 明确写着"仓库当前未附带 LTX-2 工作流"，权重独立于 Qwen/Flux/Krea 的正式发布指南，且要求使用者严格遵循外部 LTX-2 工作流的输入契约。也就是说，Frame 0 Anchoring 目前是一套社区已验证、权重已公开、但尚未沉淀为"开箱即用"工作流的机制。对于想动手验证的读者，仓库给出的通用规则依然适用：LoRA 必须匹配同系列基础模型、输入顺序不可颠倒、从 LoRA strength 1.0 起步逐步调整，并在长序列生成前先用短片段测试检查点。

值得强调的是，BFS 系列从静态到视频的演进始终围绕同一个工程哲学：把"参考图是谁"与"目标图在做什么"解耦。静态版的输入顺序反转、全身参考格式规范化（0.59MP 实证），与视频版的 Frame 0 Anchoring、High-Noise Power Law，本质上是同一思路在不同时间尺度上的实现——前者在单帧内锁身份，后者在帧序列里锁身份。理解了这条主线，无论是调静态工作流还是试验 LTX-2 视频线，都不会再被参数表牵着走。