StreamingSwap 实现实时长视频换脸
一篇于2026年10月19日提交至arXiv的论文提出StreamingSwap，这是一个用于实时流式视频换脸的参考引导流匹配框架。作者设计了Joint Rec-ID Loss，按噪声水平平衡显式身份监督与潜空间重建，并结合Face-RoI Generation与Short-Context Rollout Training，减少每帧所需的空间token和时序上下文。论文同时发布HumanFaceVid数据集，称包含1000小时电影级训练数据以及200条短视频和200条长视频的评测集，并报告在单张NVIDIA RTX 4090上以20 FPS实现有竞争力的身份迁移与画质，最长可稳定生成10分钟视频；上述结果均为作者自述，未提供独立测量。
作者将长视频、实时性的身份换脸列为所针对的开放难题，并报告在单张消费级RTX 4090上达到20 FPS、最长10分钟视频稳定生成，但这些说法尚未获得独立验证。
Computer Science > Computer Vision and Pattern Recognition
arXiv:2610.26681 (cs)
[Submitted on 19 Oct 2026]
Title:From Short Clips to Real-Time Streams: Identity-Aware Supervision and Context-Efficient Generation for Video Face Swapping
Authors:Zekai Luo, Yuwei Liang, Ruiqi Ma, Haoyu Huang, Xuehao Wang, Huanyi Zheng, Mingyu Liu, Linhao Zhong, Chenchen Jing, Yuling Xi, Hao Chen
View a PDF of the paper titled From Short Clips to Real-Time Streams: Identity-Aware Supervision and Context-Efficient Generation for Video Face Swapping, by Zekai Luo and 10 other authors