LTX-Best-Face-ID：ArcFace損失とTASS-RoPEを採用したLTX-2用身份保持参照動画生成LoRA

Alisson Pereira（@Alissonerdx）が LTX-Best-Face-ID をリリースしました。これは LTX-2（22B） 用の身份保持参照-to-動画LoRAです。参照写真とテキストプロンプトを入力するだけで、その人物の身份を維持した動画を生成します。白背景は不要です。

一枚の写真 + テキストプロンプト → 身份が一貫した動画。特殊な背景は不要。

出力サンプル

機能概要

LTX-Best-Face-ID は**参照-to-動画（ref_t2v）**生成を実行します：人物の参照画像1枚 → その同じ人物が記述されたアクションを行う動画。身份の注入は3つの技術が連携して実現します：

オーバーラップ参照条件付け — 参照潜在表現が最初の生成フレームと frame-0 グリッド位置を共有
TASS-RoPE ソース位相タグ付け — 異なる回転位置エンコーディング位相（「ソースタグ」）でモデルが参照と生成コンテンツを区別
ArcFace 身份損失 — 学習時に、デコードされた顔を認識空間の参照埋め込みと比較

結果：白背景や多視点参照シートなどの従来のテクニックなしで身份の一貫性を実現。

TASS-RoPE の仕組み

技術的な革新は TASS-RoPE（Temporal-Adjacent Spatial-Shifted RoPE）で、Chen らの ST-DRC 論文（arXiv:2606.02441）に基づいています。単純な結合の代わりに、参照潜在表現は乗法的RoPE位相タグを取得します：

phase[d] = source_id · phase_scale · θ^(−d/L)
ターゲットトークン：source_id = 0（操作なし）
参照トークン：    source_id = 2（異なる回転「タグ」）

この「ソースタグ」により、アテンション機構がシーケンス内の誰が誰かを分離でき、身份転送を大幅に改善します。タグは位置的であるため、同じ機構で複数の参照（source_id 2, 3, 4...）をエレガントに処理し、複数被写体の条件付けが可能です。

ComfyUI での使用方法

コンパニオンの BFS Nodes が必要です：ComfyUI-BFSNodes

ComfyUI Manager から ComfyUI-BFSNodes をインストール（依存関係は自動インストール）
通常通り LTX-2 チェックポイント + Gemma-3 テキストエンコーダー / CLIP を読み込む
LTX Identity Transfer（オーバーラップ + ソース位相）ノードを追加し、参照画像を入力
MODEL パスに LTX-Best-Face-ID LoRA を読み込む
ref_t2v: を前置したプロンプトを書き、キューに入れる

プロンプトのコツ

必ず ref_t2v: を前置 — モデルはこの形式で学習
アクション、設定、フレーミング、カメラを詳細に記述
身份属性（肌の色、髪型、目、髭、眼鏡）を記述すると結果が顕著に向上
付属のワークフローには Prompt Enhancer があり、Gemma-3 を使って身份属性を自動補完

ref_t2v: 色白で暗褐色の長髪、細い長方形メタルフレーム眼鏡の男性が
洗濯室で衣類を畳んでいる、ミディアムワイドショット。

最適な参照画像

このモデルは顔に焦点を当てた参照で学習：

クローズアップ / バストクロップ — 胸から上程度、顔が大きく明確に見える
正面または正面に近い（3/4 アングルも可）
単一被写体、中央
白背景は不要だが、クリーンで明るいクロップが効果的

学習詳細


ベースモデル	LTX-2（22B）
手法	LoRA（rank 128, alpha 128）
条件付け	オーバーラップ参照 + TASS-RoPE ソース位相
補助損失	ArcFace 身份損失（+ 時間的一貫性）
データ	OpenS2V サブセット + HuMoSet（顔重視ペア）
互換性	BFS Nodes 経由の ComfyUI