Upload reactor_swapper.py

custom_nodes/comfyui-reactor-node/scripts/reactor_swapper.py

@@ -306,17 +306,13 @@ def run_hyperswap(session, source_face, target_face, target_img):
     M = get_affine_transform(target_landmarks_5.astype(np.float32), std_landmarks_256)
     logger.debug("Affine Matrix M (used for cropping):\n%s", M)
 
-#### Что проверить:
-# Матрица `M` не должна содержать `NaN` или бесконечности.
-# Если матрица нулевая или искаженная — проблема в точках `target_landmarks_5`.
-    
     # Применяем аффинное преобразование с новой матрицей M
     crop = cv2.warpAffine(target_img, M, (256, 256), flags=cv2.INTER_CUBIC, borderMode=cv2.BORDER_REFLECT)
 
     # Визуализация crop перед инференсом
     #### Что проверить:
-# Окно `"Crop Before Inference"` должно показывать лицо, вырезанное по аффинному преобразованию.
-# Если изображение черное — проблема в `M` или `target_landmarks_5`.
+    # Окно `"Crop Before Inference"` должно показывать лицо, вырезанное по аффинному преобразованию.
+    # Если изображение черное — проблема в `M` или `target_landmarks_5`.
     logger.debug("Crop shape: %s | Min: %s | Max: %s", crop.shape, crop.min(), crop.max())
   # cv2.imshow("Crop Before Inference", crop)
   # cv2.waitKey(1)  # Отображает изображение
@@ -338,30 +334,44 @@ def run_hyperswap(session, source_face, target_face, target_img):
         logger.error("Ошибка выполнения модели: %s", e)
         return target_img
 
-    # 6. Обратная нормализация
-    # output = output * 0.5 + 0.5
-    # output = np.clip(output, 0, 1)
-    # output = (output * 255).astype(np.uint8)
-    # output = output.transpose(1, 2, 0)
-    # output = output[:, :, ::-1]  # RGB->BGR
-    output = (output * 0.5 + 0.5) * 255.0  # [-1..1] -> [0..255]
-    output = np.clip(output, 0, 255).astype(np.uint8)
+    # --- CPU FLOAT NORMALIZATION FIX ---
+    # предотвращает появление "синей кожи" и "шума" при работе на CPU
+    # (адаптировано из патча patch_cpu_fix.diff)
+    if isinstance(output, np.ndarray):
+        # устранение NaN и бесконечностей
+        output = np.nan_to_num(output, nan=0.0, posinf=255.0, neginf=0.0)
+        
+        # если диапазон похож на [-1,1] → нормализуем в [0,255]
+        if output.min() < 0.0 or output.max() <= 1.5:
+            output = ((output + 1.0) / 2.0 * 255.0)
+        
+        # жёсткое ограничение диапазона и тип для OpenCV
+        output = np.clip(output, 0, 255).astype(np.uint8).copy()
+        
+        # защита от повторного использования буфера (inplace CPU bug)
+        try:
+            output.setflags(write=True)
+        except Exception:
+            pass
+
+    # 6. Обратная нормализация (теперь output уже uint8, просто transpose и BGR)
+    # (ваш код без изменений, но без старой денормализации)
     output = output.transpose(1, 2, 0)  # CHW -> HWC
-    output = output[:, :, ::-1]  # BGR -> RGB (Убедитесь, что это BGR, если вход был BGR)
+    output = output[:, :, ::-1]  # RGB -> BGR (Убедитесь, что это BGR, если вход был BGR)
     
     # Визуализация после денормализации
-#### Что проверить:
-# `output` должен быть в диапазоне `[0..255]` и содержать лицо.
-# Если `output` черный — проблема в нормализации/денормализации или в самой модели.
+    #### Что проверить:
+    # `output` должен быть в диапазоне `[0..255]` и содержать лицо.
+    # Если `output` черный — проблема в нормализации/денормализации или в самой модели.
     logger.debug("Output after denormalization: Min: %s | Max: %s", output.min(), output.max())
   # cv2.imshow("Output After Denormalization", output)
   # cv2.waitKey(1)
     
-    # 7. ИЗМЕНЕНИЕ: Возвращаем результат 256x256 И матрицу M
+    # 7. Возвращаем результат 256x256 И матрицу M
     # Мы больше не вызываем warp_and_paste_face отсюда.
     # return result
     
-    return output, M # Возвращаем лицо (256x256) и матрицу M    
+    return output, M  # Возвращаем лицо (256x256) и матрицу M    
 
 def sort_by_order(face, order: str):
     if order == "left-right":