Ejecuta python app.py y abre http://127.0.0.1:7860. Los proyectos se guardan en characters/, junto a la aplicación.

• Create a New Project — escribe el nombre de tu personaje en el campo Create New Character.
• Upload Raw Images — arrastra tus imágenes al área Upload Raw Images y pulsa Create Project. ELSAC crea la carpeta characters/<nombre>/raw_images.
• Resume later — selecciona un proyecto en Resume Existing Project y pulsa Load Project. El progreso se restaura automáticamente.

• Pulsa Run Clustering — CLIP + HDBSCAN agrupan las imágenes similares en cluster_0, cluster_1, … y outliers.
• Explora los grupos cuando quieras en la pestaña Image Viewer. Normalmente cluster_0 contiene la identidad principal.
• Volver a ejecutar el clustering reemplaza el resultado anterior — no quedan carpetas obsoletas.

• Elige una carpeta de clúster → Load Cluster Images → haz clic en tu mejor imagen, la más representativa.
• Pulsa Run Single-Reference Scoring — cada imagen se compara con esa referencia.
• Los resultados se copian en categorías dentro de scored/general_likeness/: 95_plus_godtier90_95_excellent85_90_good80_85_okbelow_80_review

Un paso especializado para la consistencia facial — ELSAC detecta, recorta y alinea los rostros antes de comparar.

• Elige una carpeta de General Likeness y carga sus imágenes.
• Selecciona una referencia con la cara clara y de frente.
• Pulsa Run Face Likeness Scoring → el resultado va a scored/face_likeness/.

El paso más potente: de 4 a 8 referencias se combinan en una única identidad promedio.

• Carga imágenes desde las carpetas de Face Likeness (u otras carpetas puntuadas).
• Haz clic para previsualizar y luego Add to Selection entre 4 y 8 imágenes con ángulos, iluminación y expresiones variadas.
• Pulsa Run Multi-Reference Scoring → resultados en scored/multi_likeness/, con reference_set/ y scoring_results.csv.

• Elige la carpeta objetivo (multi_likeness, general_likeness o face_likeness).
• Pulsa Run Technical Analysis — métricas: Blur (operador Laplaciano), Face Ratio y Head Yaw.
• Los CSV se guardan en analyzed/: quality_analysis_*.csv + quality_summary_*.csv. Puedes previsualizarlos y descargarlos en las pestañas del paso 6.

• Para tu mejor set, elige imágenes de 95_plus_godtier y 90_95_excellent en scored/multi_likeness/.
• Prefiere las imágenes etiquetadas como excellent o good en los reportes del paso 6.
• Las puntuaciones basadas en el rostro (pasos 4–5) son más específicas de identidad que las de imagen completa.
• Los planos abiertos o de cuerpo completo suelen marcarse como "face too small" — úsalo como filtro de encuadre, no como rechazo automático.