Entraînement LoRA vs prompts multi-angles : garder l'identité d'un personnage sur des milliers d'images

Pour des centaines ou des milliers d’images d’un même personnage, un modèle d’identité entraîné, comme une LoRA, garde le visage et le corps de façon bien plus fiable que les prompts et les seeds. Les prompts multi-angles gardent leur utilité : c’est ainsi que vous produisez un jeu de références varié d’un nouveau personnage avant l’entraînement. Les adaptateurs de référence et le face swap se situent entre les deux, rapides à mettre en place mais moins précis.

Ce qu’est la dérive d’identité en génération d’images IA

Un modèle d’image part pour chaque image d’un bruit aléatoire et l’oriente vers votre prompt. Une description comme « une femme de 23 ans aux yeux verts et aux cheveux blonds » correspond à d’innombrables visages : le modèle en choisit donc un légèrement différent à chaque fois. Sur un album, le personnage devient peu à peu quelqu’un d’autre. C’est la dérive d’identité.

La dérive ne touche pas que le visage. Les proportions du corps, le teint, les tatouages et les grains de beauté varient aussi, et les abonnés qui regardent le même créateur tous les jours le remarquent.

Pourquoi la seed fixe et les prompts multi-angles ne suffisent pas

La seed définit le bruit de départ. Lancez le même prompt avec la même seed et les mêmes réglages, et vous obtenez la même image. Changez un mot, par exemple « bikini » en « robe de soirée », et le modèle prend un autre chemin dès les premières étapes. Le visage change avec la tenue.

Les prompts multi-angles demandent la même personne sous plusieurs angles en une seule fois : « vue de face, vue de trois quarts et profil de la même femme ». Cela peut produire une planche de rotation utile, mais chaque nouveau prompt reste un nouveau coup de dés. Il décrit un type de visage plutôt qu’un visage précis.

Là où les prompts aident vraiment, c’est au départ. Un ensemble varié d’images d’un nouveau personnage, sous différents angles et différentes lumières, est exactement ce qu’il vous faut pour l’entraînement.

Ce qu’est une LoRA et pourquoi elle garde l’identité

LoRA signifie Low-Rank Adaptation. L’article d’origine, signé par des chercheurs de Microsoft, décrit une méthode qui « fige les poids du modèle pré-entraîné et injecte des matrices de décomposition de rang entraînables » dans le modèle (Hu et al.). Il a été écrit pour les modèles de langage, et la même idée sert aujourd’hui à affiner les modèles d’image.

La documentation Diffusers de Hugging Face décrit la LoRA pour les modèles d’image comme une « technique d’entraînement légère » qui fonctionne « en insérant un plus petit nombre de nouveaux poids dans le modèle, et seuls ceux-ci sont entraînés ». Le résultat, selon ses termes, ce sont des « poids de modèle plus petits (quelques centaines de Mo) » que vous chargez par-dessus le modèle de base.

Pour un personnage, ce fichier encode un seul sujet. Le prompt est alors libre de changer la tenue, la pose, la pièce et la lumière, tandis que les poids entraînés ramènent sans cesse le visage et le corps vers la même personne.

La contrepartie, c’est la mise en place. Il vous faut un bon jeu d’entraînement, un entraînement, puis une passe de test pour vérifier que le modèle a appris la personne sans figer chaque image dans la même pose.

Les adaptateurs de référence : InstantID et PuLID

Les adaptateurs de référence se passent d’entraînement. Vous donnez au modèle une ou quelques photos au moment de la génération, et il reporte l’identité sur la nouvelle image.

• InstantID se présente comme une « génération préservant l’identité en zero-shot » qui fonctionne à partir d’« une seule image du visage ». Son article estime que des méthodes comme DreamBooth et LoRA sont freinées par « de gros besoins de stockage, de longs processus d’affinage et la nécessité de plusieurs images de référence » (Wang et al.).
• PuLID, de chercheurs de ByteDance, vise une « haute fidélité de l’identité » tout en gardant « l’arrière-plan, l’éclairage, la composition et le style » aussi proches que possible de ce que le modèle aurait dessiné de toute façon (Guo et al.).

Les deux sont rapides à mettre en place et utiles pour tester un look. Ils travaillent surtout à partir du visage : les détails du corps, comme les proportions et les tatouages, dépendent donc toujours du prompt.

Le face swap après génération

Un outil de face swap génère d’abord l’image, puis remplace le visage par un visage de référence. C’est rapide, et utile pour corriger une image isolée où le visage a dérivé.

Il ne fait rien pour le corps. Si le corps, le teint ou les signes distinctifs ne sont pas les bons, le visage remplacé se retrouve sur la mauvaise personne. Les swaps peuvent aussi avoir du mal quand la tête est tournée loin de l’angle de la photo de référence : vérifiez de près les vues de profil.

Comparaison des méthodes

Méthode	Entraînement nécessaire	Garde le visage	Garde le corps	Idéal pour
Seed et prompt	Non	Seulement si le prompt reste identique	Non	Explorer un look
Prompts multi-angles	Non	Sur une même planche	Approximativement	Constituer un jeu de références
Adaptateur de référence (InstantID, PuLID)	Non	Bien, à partir de quelques photos	Dépend du prompt	Tests et séries courtes
Face swap après génération	Non	Le visage seulement	Non	Corriger des images isolées
LoRA de personnage	Oui	Fortement	Oui, si entraînée sur des photos du corps	Grands albums et images fixes de vidéo

Constituer un jeu d’entraînement pour une LoRA de personnage

La qualité d’une LoRA dépend surtout des photos sur lesquelles vous l’entraînez.

Faites tout varier sauf la personne

Utilisez des photos avec des angles, des expressions, des tenues, des arrière-plans et des lumières différents. Si chaque photo est un selfie de face dans la même pièce, le modèle apprend cette pièce et cet angle comme s’ils faisaient partie de la personne.

Incluez le corps, pas seulement le visage

Si vous voulez des proportions, un teint, des tatouages ou des cicatrices cohérents, ils doivent être visibles dans le jeu d’entraînement. Un jeu limité au visage vous donne un visage cohérent sur un corps qui dérive.

Légendez ce qui change, pas qui est la personne

Une approche courante consiste à utiliser un mot déclencheur pour le personnage et à ne légender que ce qui varie : la tenue, le décor, la lumière, le cadrage. Omettez les traits que le modèle doit considérer comme fixes, pour qu’ils s’attachent au mot déclencheur.

Testez avant de produire

Générez un lot de test avec de nouvelles tenues et de nouveaux décors. Si chaque image reprend la même pose ou le même arrière-plan, le modèle a trop appris du jeu d’entraînement. Si le visage varie, il n’a pas assez appris.

L’origine de vos photos d’entraînement compte

Les Conditions d’utilisation d’OnlyFans d’octobre 2026 indiquent : « Vous ne pouvez pas non plus utiliser le Contenu ou les Services directs pour entraîner ou améliorer un logiciel, un système d’apprentissage automatique ou d’intelligence artificielle. » Entraînez sur des originaux que vous conservez sur votre propre téléphone ou ordinateur, jamais sur quoi que ce soit téléchargé depuis OnlyFans.

L’identité que vous entraînez détermine aussi où vous pouvez publier :

• Votre propre visage et votre propre corps conviennent à OnlyFans, qui n’autorise le contenu IA que s’il « met clairement en scène le Créateur vérifié » et porte un signe comme #ai ou #AIGenerated (Centre d’aide). Sa page sur la modération range parmi les suppressions « les comptes ou contenus entièrement générés par IA, ou comportant des images fortement modifiées ».
• Une persona originale a sa place sur Fanvue, qui autorise le contenu entièrement généré par IA avec une mention claire, ou sur MYM, qui demande « Virtual Image », #AI ou #AIgenerated.
• Fansly indique que « le contenu IA photoréaliste n’est pas autorisé sur Fansly » (aide Fansly), avec ou sans label.
• Le visage de toute autre personne exige son consentement prouvable, à chaque fois.

Entraîner un modèle d’identité dans FansCreator

FansCreator entraîne votre modèle IA à partir des photos de référence que vous importez, ou d’un créateur que vous concevez de A à Z, en trois minutes environ. La même identité se retrouve ensuite dans le générateur d’images IA NSFW et dans la vidéo : vous n’avez à gérer ni fichiers d’entraînement, ni poids d’adaptateurs, ni installation locale. Les modèles d’image comprennent Qwen-Image et Z-Image, présenté sur la page Z-Image de FansCreator, et le face swap IA est là pour les images isolées dont le visage doit être corrigé.

Utilisez vos propres photos, ou un visage dont le propriétaire a donné un consentement prouvable, comme l’exigent les Conditions d’utilisation de FansCreator. Vous téléchargez chaque image et la publiez vous-même, avec le label que demande chaque plateforme.