LTX-Best-Face-ID: LoRA de referencia a video con preservación de identidad para LTX-2 con pérdida ArcFace y TASS-RoPE

Alisson Pereira (@Alissonerdx) ha lanzado LTX-Best-Face-ID, una LoRA de referencia a video con preservación de identidad para LTX-2 (22B). Proporciona una foto de referencia y un prompt de texto, y genera un video que mantiene la identidad de esa persona — todo desde una sola imagen, sin necesidad de un fondo blanco.

Una foto + un prompt de texto → video con identidad consistente. Sin fondos especiales.

Ejemplos de salida

Qué hace

LTX-Best-Face-ID realiza generación referencia a video (ref_t2v): una imagen de referencia de una persona → un video de esa misma persona realizando la acción descrita. La identidad se inyecta mediante tres técnicas que trabajan juntas:

Condicionamiento de superposición de referencia — el latente de referencia comparte la posición de la cuadrícula frame-0 con el primer fotograma generado
Etiquetado de fase fuente TASS-RoPE — una fase de codificación posicional rotatoria distinta ("etiqueta fuente") permite al modelo distinguir la referencia del contenido generado
Pérdida de identidad ArcFace — durante el entrenamiento, la cara decodificada se compara con la incrustación de referencia en el espacio de reconocimiento

Resultado: consistencia de identidad sin los trucos habituales como fondos blancos limpios u hojas de referencia multivista.

Cómo funciona TASS-RoPE

La innovación técnica es TASS-RoPE (Temporal-Adjacent Spatial-Shifted RoPE), del artículo ST-DRC de Chen et al. (arXiv:2606.02441). En lugar de una concatenación simple, el latente de referencia recibe una etiqueta de fase RoPE multiplicativa:

phase[d] = source_id · phase_scale · θ^(−d/L)
tokens objetivo: source_id = 0 (sin operación)
referencia:     source_id = 2 ("etiqueta" rotatoria distinta)

Esta "etiqueta fuente" permite al mecanismo de atención separar quién es quién en la secuencia, mejorando significativamente la transferencia de identidad. Como la etiqueta es posicional, el mismo mecanismo maneja elegantemente múltiples referencias (source_id 2, 3, 4...) para condicionamiento multi-sujeto.

Uso en ComfyUI

Requiere los BFS Nodes complementarios: ComfyUI-BFSNodes

Instalar ComfyUI-BFSNodes a través de ComfyUI Manager (las dependencias se instalan automáticamente)
Cargar el checkpoint LTX-2 + codificador de texto Gemma-3 / CLIP como de costumbre
Añadir el nodo LTX Identity Transfer (superposición + fase fuente); alimentarlo con la imagen de referencia
Cargar la LoRA LTX-Best-Face-ID en la ruta MODEL
Escribir un prompt con prefijo ref_t2v: y poner en cola

Consejos para prompts

Siempre usar prefijo ref_t2v: — el modelo fue entrenado con este formato
Describir la acción, escenario, encuadre, cámara en detalle
Describir atributos de identidad (tono de piel, cabello, ojos, vello facial, gafas) mejora notablemente los resultados
El flujo de trabajo incluido tiene un Prompt Enhancer que usa Gemma-3 para enriquecer automáticamente el prompt con atributos de identidad

ref_t2v: Un hombre de piel clara con cabello largo castaño oscuro y gafas
metálicas rectangulares estrechas está doblando ropa en un lavadero, plano medio.

Mejor imagen de referencia

Este modelo fue entrenado con referencias enfocadas en el rostro:

Primer plano / corte de busto — aproximadamente de pecho hacia arriba, rostro grande y claramente visible
Frontal o casi frontal (ángulos de 3/4 también funcionan)
Un solo sujeto, centrado
No requiere fondo blanco, pero un recorte limpio y bien iluminado ayuda

Detalles de entrenamiento


Modelo base	LTX-2 (22B)
Método	LoRA (rank 128, alpha 128)
Condicionamiento	Referencia superpuesta + fase fuente TASS-RoPE
Pérdida auxiliar	Pérdida de identidad ArcFace (+ consistencia temporal)
Datos	Subconjunto OpenS2V + HuMoSet (pares enfocados en rostros)
Compatible con	ComfyUI a través de BFS Nodes