生成一致性的人工智能角色过去完全是一场令人沮丧的猜谜游戏。也许你花了几个小时训练一个定制角色，生成一张测试图后眯起眼睛心想：“嗯，这看起来确实像他。”如果你的工作流能自动完成生成、测试与评分，并挑选出数学上最匹配的面孔——使用的是与大型科技公司相同的企业级人工智能技术呢？今天我将向您展示如何使用我为 ComfyUI 创建的自定义节点来实现这一目标。

这个自定义节点基于 Amazon AWS Rekognition 模型。首先，我们测试单个 Face Comparison 节点：输入两张同一人的真实照片，查看匹配得分。结果是 99.99% 的匹配度——这正是我们预期的结果，因为它们来自同一个人。

接下来，我将打开一个工作流：它接收一张参考人脸图像和一套完全不同的服装图片，然后生成全新的合成图像。我先绕过批处理组，直接使用单独的识别流程节点。你可以在该节点中直接调整面部匹配的阈值百分比。现在我们生成一张图像，看看它的匹配得分是多少。

图像已生成。视觉上，这张图看起来非常接近参考人物——五官位置、轮廓结构都基本一致。但让我们看看 AI 实际给出的评分：与真实参考图像相比，得分为 94%。分数不错，但我知道工作流还能做得更好。

仅生成一张图像依赖运气，而这正是我要使用批处理版本的原因。让我解释它的工作原理：我们将生成一组 5 张图像，而非仅一张，从而获得完全不同的变体。批次中的每张图像都会被发送至 Rekognition Flow，该流程会自动分析并将每张图像与我们的参考人脸进行比对。

听起来很复杂，但最棒的部分在于：Rekognition Flow 设定了目标阈值（例如 98%）。它从第一张图像开始测试；如果得分低于阈值，则转向第二张；持续迭代，直到找到一张突破 98% 门槛的图像。在极少数情况下，若全部 5 张图像均未达标，该节点会智能地选择其中得分最高的一张作为最终输出。如需运行更大批次，可将重试次数设置为与图像数量一致。

该节点运行于 Amazon AWS Rekognition 模型之上——这是图像检测领域的行业标准。成本方面：每张图像仅需 0.001 美元。请记住这句话：1 美元即可对比 1000 张高分辨率图像，精度媲美企业级标准。它便宜得惊人。

回到我们的五张图批次：第一张图像得分已超过 98%，因此 Rekognition Flow 在首轮尝试后立即停止，跳过了对剩余 4 张图像的分析，为你节省了时间和费用。但观察其余图像，我觉得其中一张可能更吻合。

于是我将阈值提高至 99.2%，最终找到了最优结果：99.5% 匹配分。仅看结果即可判断——这张 AI 生成图像几乎是一个数字克隆体：眼睛形状、下颌线走向、整体面部结构，均与真实参考人物高度一致。即使更换服装，仍能达到 99.48% 匹配度；当将新生成图像与主体另一张完全不同发型的真实照片对比时，匹配分依然超过 99%。

现在进入安装环节。你需要已在电脑上安装 ComfyUI，并拥有一个活跃的 AWS 账户。

前往我的自定义节点 GitHub 页面，滚动至安装部分：

  • 打开 ComfyUI 的 custom_nodes 文件夹；
  • 点击顶部地址栏，输入 cmd 并按回车键打开命令提示符；
  • 在该窗口中克隆 rekognition-flow 仓库；
  • 激活虚拟环境：若使用标准版 ComfyUI 安装，可直接运行批处理文件激活；或进入主 ComfyUI 文件夹，在地址栏打开 CMD，输入 venv\Scripts\activate；
  • 当屏幕显示括号内带 (venv) 字样时，表示环境已就绪；
  • 进入克隆后的文件夹，复制 requirements.txt 的完整路径；
  • 回到 CMD 窗口，输入 pip install -r 并粘贴该路径；
  • 若出现关于 PyTorch 版本的警告，无需担心，它不影响自定义节点功能；
  • 启动 ComfyUI，拖入工作流，检查节点是否正常加载。

最后一步是配置 AWS 凭据。你可以直接将 AWS 区域、访问密钥 ID 和秘密访问密钥填入自定义节点界面，或更安全地将其写入节点文件夹内的 .env 文件中。

前往你的 Amazon AWS 控制台（若尚未注册，请先创建账户）：

  1. 使用顶部搜索栏查找 “IAM”，点击进入；
  2. 在左侧菜单选择 “用户”，点击 “添加用户”；
  3. 命名为 comfyui 或你喜欢的名称，勾选 “提供访问密钥”；
  4. 在权限设置页，选择 “直接附加现有策略”，搜索