উৎস-উদ্ধৃত প্রযুক্তিগত রেফারেন্স
AI ফেস সোয়াপ শব্দকোষ
ফেস-সোয়াপ গবেষণা এবং মূল্যায়নে ব্যবহৃত 24টি পদের জন্য সরল-ইংরেজি সংজ্ঞা, প্রতিটি একটি প্রাথমিক উৎস এবং একটি সীমার সাথে যুক্ত যা অতিরিক্ত দাবি প্রতিরোধ করে।
সরাসরি উত্তর
ফেস-সোয়াপ পরিভাষার একটি সংজ্ঞা এবং একটি সীমা প্রয়োজন
একটি উৎস মুখ পরিচয় সংকেত সরবরাহ করে। লক্ষ্য মিডিয়া দৃশ্য এবং উদ্দিষ্ট অ-পরিচয় বৈশিষ্ট্য সরবরাহ করে। সনাক্তকরণ, সারিবদ্ধকরণ, মাস্কিং এবং জেনারেশন একটি ওয়ার্কফ্লোর অংশ বর্ণনা করে; পরিচয় সাদৃশ্য, উপলব্ধিগত মেট্রিক এবং মানব পর্যালোচনা বিভিন্ন মূল্যায়ন প্রশ্নের উত্তর দেয়।
বাস্তবায়ন সীমানা: এই পৃষ্ঠাটি গবেষণা পত্র, মূল্যায়ন প্রোটোকল এবং C2PA স্পেসিফিকেশনে পাওয়া পরিভাষা ব্যাখ্যা করে। এখানে একটি উদ্ধৃতির অর্থ এই নয় যে DeepSwapAI প্রতিটি নামযুক্ত পদ্ধতি, আর্কিটেকচার, মডেল, মেট্রিক বা প্রোভেন্যান্স বৈশিষ্ট্য ব্যবহার করে।
পদ সূচক
আপনার প্রয়োজনীয় ধারণায় যান
ওয়ার্কফ্লো ভিত্তি
ওয়ার্কফ্লো ভিত্তি
মিডিয়া ভূমিকা এবং জ্যামিতিক প্রিপ্রসেসিং পদ যা একটি ফেস-সোয়াপ ওয়ার্কফ্লোতে কী প্রবেশ করে তা সংজ্ঞায়িত করে।
বেসিক এডিটিং ZQXSEGMENTQXZ বেসিক এডিটিং
#এছাড়াও বলা হয়: AI ফেস সোয়াপ, ফেস সোয়াপিং
একটি কম্পিউটার-ভিশন টাস্ক যা একটি উৎস মুখ থেকে আইডেন্টিটি সংকেত একটি টার্গেট ইমেজ বা ভিডিওতে স্থানান্তর করে যখন ভঙ্গি, অভিব্যক্তি, চুল এবং ব্যাকগ্রাউন্ডের মতো টার্গেট বৈশিষ্ট্য সংরক্ষণের চেষ্টা করে।
প্রমাণ সীমানা: এটি একটি টাস্ক সংজ্ঞা, একটি গ্যারান্টি নয় যে প্রতিটি সিস্টেম প্রতিটি বৈশিষ্ট্য সংরক্ষণ করে বা একটি নির্দিষ্ট ব্যবহারের অনুমতি আছে।
প্রাথমিক উৎস: PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion; Fine-Grained Face Swapping via Regional GAN Inversion
সোর্স ফেস
#এছাড়াও বলা হয়: উৎস পরিচয়, পরিচয় রেফারেন্স
ব্যক্তি বা রেফারেন্স ইমেজ যা জেনারেটেড মুখের উদ্দেশ্যে আইডেন্টিটি সংকেত সরবরাহ করে।
প্রমাণ সীমানা: উৎস সাধারণত লক্ষ্য দৃশ্য, শরীর, চুল, ভঙ্গি বা পটভূমি সংজ্ঞায়িত করে না, এবং সঠিক বিভাজন পদ্ধতির উপর নির্ভর করে।
প্রাথমিক উৎস: PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion; Reinforced Disentanglement for Face Swapping without Skip Connection
টার্গেট মিডিয়া
#এছাড়াও বলা হয়: লক্ষ্য ইমেজ, লক্ষ্য ভিডিও
ইমেজ বা ভিডিও যা দৃশ্য এবং নন-আইডেন্টিটি বৈশিষ্ট্য সরবরাহ করে যা একটি ফেস-সোয়াপ পদ্ধতি ধরে রাখার চেষ্টা করে।
প্রমাণ সীমানা: পদ্ধতিগুলি কোন লক্ষ্য বৈশিষ্ট্যগুলি ধরে রাখে তার মধ্যে পার্থক্য করে, তাই লক্ষ্য সংরক্ষণ অনুমান করার পরিবর্তে মূল্যায়ন করা উচিত।
প্রাথমিক উৎস: PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion; DynamicFace: High-Quality and Consistent Face Swapping for Image and Video
মুখ শনাক্তকরণ
#এছাড়াও বলা হয়: মুখ স্থানীয়করণ, মুখ স্থানীয়করণ
সারিবদ্ধকরণ, বৈশিষ্ট্য নিষ্কাশন বা জেনারেশনের আগে একটি ইমেজ বা ভিডিও ফ্রেমে এক বা একাধিক মুখের অঞ্চল সনাক্ত করার প্রক্রিয়া।
প্রমাণ সীমানা: একটি সনাক্ত করা মুখ অঞ্চল একটি পরিচয় সিদ্ধান্ত, সম্মতি পরীক্ষা বা প্রমাণ নয় যে পরবর্তী প্রক্রিয়াকরণ সফল হবে।
প্রাথমিক উৎস: RetinaFace: Single-Shot Multi-Level Face Localisation in the Wild
মুখের ল্যান্ডমার্ক
#এছাড়াও বলা হয়: মুখের ল্যান্ডমার্ক, ল্যান্ডমার্ক পয়েন্ট
আনুমানিক মুখের মূল পয়েন্ট, যেমন চোখের কোণ, নাক এবং মুখের অবস্থান, সারিবদ্ধকরণ বা কন্ডিশনিংয়ের জন্য মুখের জ্যামিতি বর্ণনা করতে ব্যবহৃত হয়।
প্রমাণ সীমানা: ল্যান্ডমার্ক লেআউট, পয়েন্ট গণনা এবং ত্রুটি ইউনিট ডিটেক্টর এবং প্রোটোকল অনুসারে পরিবর্তিত হয়; এগুলি সরাসরি বিনিময়যোগ্য নয়।
প্রাথমিক উৎস: RetinaFace: Single-Shot Multi-Level Face Localisation in the Wild; DiffSwap: High-Fidelity and Controllable Face Swapping via 3D-Aware Masked Diffusion
মুখ সারিবদ্ধকরণ
#এছাড়াও বলা হয়: মুখের সারিবদ্ধকরণ, সারিবদ্ধ মুখ ক্রপ
একটি জ্যামিতিক স্বাভাবিকীকরণ পদক্ষেপ যা সনাক্ত করা মুখের গঠন ব্যবহার করে একটি মুখকে পরবর্তী প্রক্রিয়াকরণের জন্য একটি সামঞ্জস্যপূর্ণ ক্রপ, স্কেল এবং ওরিয়েন্টেশনে রাখে।
প্রমাণ সীমানা: সারিবদ্ধকরণ রীতি এবং রূপান্তর পরিবর্তিত হয়, এবং একটি সারিবদ্ধ ক্রপ পরিচয়, গুণমান বা অনুমতি প্রতিষ্ঠা করে না।
প্রাথমিক উৎস: RetinaFace: Single-Shot Multi-Level Face Localisation in the Wild; ArcFace: Additive Angular Margin Loss for Deep Face Recognition
পরিচয় এবং সংরক্ষণ
পরিচয় এবং সংরক্ষণ
উৎস পরিচয় সংকেতগুলিকে লক্ষ্য বৈশিষ্ট্য থেকে পৃথক করতে ব্যবহৃত ধারণাগুলি যা একটি ফলাফল ধরে রাখার চেষ্টা করে।
মুখ এম্বেডিং
#এছাড়াও বলা হয়: পরিচয় এম্বেডিং, মুখের বৈশিষ্ট্য ভেক্টর
একটি শেখা সংখ্যাসূচক উপস্থাপনা যা ডিজাইন করা হয়েছে যাতে মুখের ছবিগুলি একটি নির্দিষ্ট শনাক্তকরণ মডেল এবং প্রিপ্রসেসিং প্রোটোকলের অধীনে একটি বৈশিষ্ট্য স্থানে তুলনা করা যায়।
প্রমাণ সীমানা: ভেক্টর মাত্রা, দূরত্ব ফাংশন এবং সিদ্ধান্ত থ্রেশহোল্ড মডেল এবং মূল্যায়ন সেটআপের উপর নির্ভর করে; একটি এম্বেডিং সহজাতভাবে একটি পরিচয় রায় বা গাণিতিকভাবে অ-পুনর্গঠনযোগ্য হওয়ার গ্যারান্টি নয়।
প্রাথমিক উৎস: ArcFace: Additive Angular Margin Loss for Deep Face Recognition
আইডেন্টিটি সাদৃশ্য
#এছাড়াও বলা হয়: পরিচয় ধারণ, পরিচয় সংরক্ষণ স্কোর
উৎস-আইডেন্টিটি এবং আউটপুট উপস্থাপনার মধ্যে একটি প্রোটোকল-নির্ভর তুলনা, সাধারণত একটি নামযুক্ত ফেস এনকোডার এবং সাদৃশ্য ফাংশন থেকে গণনা করা হয়।
প্রমাণ সীমানা: স্কোরগুলি এনকোডার, ক্রপ, ডেটাসেট, থ্রেশহোল্ড বা জনসংখ্যার মধ্যে বহনযোগ্য নয় এবং একটি আউটপুটের জন্য বায়োমেট্রিক রায় হিসাবে উপস্থাপন করা উচিত নয়।
প্রাথমিক উৎস: ArcFace: Additive Angular Margin Loss for Deep Face Recognition; PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion
টার্গেট-বৈশিষ্ট্য সংরক্ষণ
#এছাড়াও বলা হয়: বৈশিষ্ট্য সংরক্ষণ, লক্ষ্য ধারাবাহিকতা
মুখের আইডেন্টিটি সংকেত পরিবর্তন করার সময় ফলাফলটি কতটা উদ্দেশ্যপ্রণোদিত টার্গেট বৈশিষ্ট্য যেমন ভঙ্গি, অভিব্যক্তি, চুল, আলো, পোশাক এবং ব্যাকগ্রাউন্ড ধরে রাখে।
প্রমাণ সীমানা: মূল্যায়িত বৈশিষ্ট্য এবং অনুমানকারীকে নাম দিতে হবে; একটি সমষ্টিগত স্কোর একটি পৃথক বৈশিষ্ট্যে ব্যর্থতা লুকিয়ে রাখতে পারে।
প্রাথমিক উৎস: PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion; DynamicFace: High-Quality and Consistent Face Swapping for Image and Video
মুখ মাস্ক
#এছাড়াও বলা হয়: সোয়াপ মাস্ক, মুখের মাস্ক
একটি স্থানিক মানচিত্র যা চিহ্নিত করে যে কোন ইমেজ অঞ্চলটি একটি ফেস-সোয়াপ অপারেশনের অংশ হিসাবে তৈরি, মিশ্রিত বা মূল্যায়ন করা যেতে পারে।
প্রমাণ সীমানা: মাস্ক নির্মাণ এবং শব্দার্থবিদ্যা পদ্ধতি অনুসারে পরিবর্তিত হয়; একটি মাস্ক নিজে থেকে বাধা, সীমানা বা রঙের অসঙ্গতি সমাধান করে না।
প্রাথমিক উৎস: DiffSwap: High-Fidelity and Controllable Face Swapping via 3D-Aware Masked Diffusion; Fine-Grained Face Swapping via Regional GAN Inversion
মুখ পার্সিং
#এছাড়াও বলা হয়: মুখের শব্দার্থিক সেগমেন্টেশন
মুখের উপাদান এবং আশেপাশের অঞ্চলগুলির পিক্সেল-স্তরের শব্দার্থিক বিভাজন, যেমন ত্বক, চোখ, মুখ, চুল বা ব্যাকগ্রাউন্ড।
প্রমাণ সীমানা: লেবেল সেট এবং সেগমেন্টেশন গুণমান পার্সার এবং ডেটাসেটের উপর নির্ভর করে এবং ভুল অঞ্চলগুলি পরবর্তী সংশ্লেষণ বা কম্পোজিটিংয়ে ছড়িয়ে পড়তে পারে।
প্রাথমিক উৎস: Fine-Grained Face Swapping via Regional GAN Inversion
মুখ-সীমানা মিশ্রণ
#এছাড়াও বলা হয়: সীমানা ব্লেন্ডিং, মুখ কম্পোজিটিং
কম্পোজিটিং পদক্ষেপ যা একটি সংশ্লেষিত মুখের অঞ্চলকে ত্বকের টোন, প্রান্ত, আলো এবং কাছাকাছি বিষয়বস্তুর চারপাশে টার্গেটে রূপান্তরিত করে।
প্রমাণ সীমানা: একটি দৃশ্যত মসৃণ সীমানা সঠিক পরিচয়, প্রাকৃতিক অভ্যন্তরীণ বৈশিষ্ট্য বা ভিডিও ফ্রেম জুড়ে সামঞ্জস্যপূর্ণ আচরণ প্রতিষ্ঠা করে না।
প্রাথমিক উৎস: Fine-Grained Face Swapping via Regional GAN Inversion; Reinforced Disentanglement for Face Swapping without Skip Connection
অক্লুশন
#এছাড়াও বলা হয়: মুখ বাধা, আবৃত মুখ
একটি অবস্থা যেখানে মুখের অংশ চুল, হাত, চশমা, বস্তু, অন্য ব্যক্তি বা ইমেজ সীমানা দ্বারা লুকানো থাকে।
প্রমাণ সীমানা: বাধা হ্যান্ডলিং পদ্ধতি- এবং দৃশ্য-নির্ভর; একটি বেঞ্চমার্ক অবশ্যই প্রভাবিত অঞ্চল এবং দেখার শর্ত উল্লেখ করতে হবে।
প্রাথমিক উৎস: Fine-Grained Face Swapping via Regional GAN Inversion; DynamicFace: High-Quality and Consistent Face Swapping for Image and Video
মাথার ভঙ্গি
#এছাড়াও বলা হয়: মুখের ভঙ্গি, মাথার অভিযোজন
ক্যামেরার সাপেক্ষে মাথার আনুমানিক অভিযোজন, প্রায়শই ইয়াও, পিচ এবং রোল বা ল্যান্ডমার্ক এবং ৩D প্যারামিটার দ্বারা উপস্থাপিত হয়।
প্রমাণ সীমানা: ভঙ্গি মান অনুমানকারী এবং স্থানাঙ্ক রীতির উপর নির্ভর করে; একা ভঙ্গি মিলানো আউটপুট বাস্তবতা ভবিষ্যদ্বাণী করতে পারে না।
প্রাথমিক উৎস: DiffSwap: High-Fidelity and Controllable Face Swapping via 3D-Aware Masked Diffusion; PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion
মুখের অভিব্যক্তি
#এছাড়াও বলা হয়: অভিব্যক্তি সংরক্ষণ
মুখের বৈশিষ্ট্যের দৃশ্যমান বিন্যাস যা হাসি, চোখের পলক বা মুখ খোলার মতো নড়াচড়ার সাথে সম্পর্কিত, প্রায়শই ফেস সোয়াপিংয়ে লক্ষ্য বৈশিষ্ট্য হিসেবে বিবেচিত।
প্রমাণ সীমানা: অভিব্যক্তি লেবেল এবং প্যারামিটার অনুমানকারী-নির্ভর এবং সূক্ষ্ম, অসমমিত বা সাংস্কৃতিকভাবে ব্যাখ্যা করা আচরণ মিস করতে পারে।
প্রাথমিক উৎস: PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion; DynamicFace: High-Quality and Consistent Face Swapping for Image and Video
ভিডিও ধারাবাহিকতা
ভিডিও ধারাবাহিকতা
গতি এবং ফ্রেম-সিকোয়েন্স ধারণা যা একটি একক স্থির চিত্রে বিদ্যমান নেই।
অস্থায়ী ধারাবাহিকতা
#এছাড়াও বলা হয়: অস্থায়ী সমন্বয়, ফ্রেম-থেকে-ফ্রেম ধারাবাহিকতা
একটি বিচ্ছিন্ন ফ্রেমের পরিবর্তে ধারাবাহিক ভিডিও ফ্রেম জুড়ে আইডেন্টিটি সংকেত, টার্গেট বৈশিষ্ট্য এবং ভিজ্যুয়াল বিশদটির স্থায়িত্ব।
প্রমাণ সীমানা: একটি উচ্চ ধারাবাহিকতা পরিমাপ ধারাবাহিকভাবে ভুল ফলাফল সংরক্ষণ করতে পারে, তাই পরিচয় সঠিকতা এবং দৃশ্যমান গুণমান আলাদাভাবে মূল্যায়ন করা আবশ্যক।
প্রাথমিক উৎস: DynamicFace: High-Quality and Consistent Face Swapping for Image and Video; CanonSwap: High-Fidelity and Consistent Video Face Swapping via Canonical Space Modulation
অপটিক্যাল ফ্লো
#এছাড়াও বলা হয়: গতি ক্ষেত্র, পিক্সেল সঙ্গতি
একটি আনুমানিক ঘন গতি ক্ষেত্র যা ফ্রেমের মধ্যে ইমেজ অবস্থানগুলি ম্যাপ করে এবং গতি বিশ্লেষণ, ওয়ার্পিং বা অস্থায়ী ডায়াগনস্টিকস সমর্থন করতে পারে।
প্রমাণ সীমানা: অপটিক্যাল ফ্লো একটি অনুমান যা বাধা, অস্পষ্টতা, আলোর পরিবর্তন এবং নতুন দৃশ্যমান অঞ্চলের চারপাশে ব্যর্থ হতে পারে; এটি নিজে থেকে একটি গুণমান স্কোর নয়।
প্রাথমিক উৎস: RAFT: Recurrent All-Pairs Field Transforms for Optical Flow; CanonSwap: High-Fidelity and Consistent Video Face Swapping via Canonical Space Modulation
মূল্যায়ন
মূল্যায়ন
মেট্রিক এবং পর্যালোচনা প্রোটোকল যা স্পষ্ট অবস্থার অধীনে বিভিন্ন গুণমান প্রশ্নের উত্তর দেয়।
Structural Similarity Index (SSIM)
#এছাড়াও বলা হয়: SSIM
একটি পূর্ণ-রেফারেন্স ইমেজ সাদৃশ্য পরিমাপ যা একটি পরীক্ষা ইমেজ এবং একটি রেফারেন্স ইমেজের মধ্যে লুমিন্যান্স, কনট্রাস্ট এবং গঠন তুলনা করে।
প্রমাণ সীমানা: SSIM এর একটি অর্থপূর্ণ সারিবদ্ধ রেফারেন্স প্রয়োজন, মুখ-নির্দিষ্ট নয়, এবং এর মান স্কেল, উইন্ডোয়িং, রঙ হ্যান্ডলিং এবং প্রিপ্রসেসিংয়ের উপর নির্ভর করে।
প্রাথমিক উৎস: Image Quality Assessment: From Error Visibility to Structural Similarity
Learned Perceptual Image Patch Similarity (LPIPS)
#এছাড়াও বলা হয়: LPIPS, শেখা উপলব্ধিগত সাদৃশ্য
গভীর নেটওয়ার্ক বৈশিষ্ট্যের উপর ভিত্তি করে একটি উপলব্ধিগত দূরত্ব যা ইমেজ-প্যাচ সাদৃশ্যের মানব বিচারের বিরুদ্ধে মূল্যায়ন করা হয়েছে।
প্রমাণ সীমানা: LPIPS একটি পরিচয় স্কোর নয়; মান নির্বাচিত নেটওয়ার্ক, ক্যালিব্রেশন, ইমেজ প্রস্তুতি এবং তুলনা প্রোটোকলের উপর নির্ভর করে।
প্রাথমিক উৎস: The Unreasonable Effectiveness of Deep Features as a Perceptual Metric
Frechet Inception Distance (FID)
#এছাড়াও বলা হয়: FID
উত্পন্ন এবং রেফারেন্স ইমেজ সংগ্রহ থেকে বৈশিষ্ট্য বিতরণের মধ্যে একটি সেট-স্তরের দূরত্ব, মূলত ইনসেপশন বৈশিষ্ট্য সহ গণনা করা হয়।
প্রমাণ সীমানা: FID একটি প্রতিরক্ষাযোগ্য একক-ইমেজ স্কোর নয়, এবং ফলাফল নমুনা গণনা, বৈশিষ্ট্য নিষ্কাশনকারী, প্রিপ্রসেসিং, রেফারেন্স সেট এবং বাস্তবায়নের উপর নির্ভর করে।
প্রাথমিক উৎস: GANs Trained by a Two Time-Scale Update Rule Converge to a Local Nash Equilibrium; Rethinking FID: Towards a Better Evaluation Metric for Image Generation
নো-রেফারেন্স গুণমান মূল্যায়ন
#এছাড়াও বলা হয়: NR-IQA, অন্ধ ইমেজ গুণমান মূল্যায়ন
একটি পদ্ধতি যা একটি জোড়া বিশুদ্ধ আদি রেফারেন্স ইমেজের প্রয়োজন ছাড়াই একটি আউটপুট থেকে চাক্ষুষ গুণমান অনুমান করে।
প্রমাণ সীমানা: এর বৈধতা প্রশিক্ষণ ডেটা এবং বৈধতা নকশার উপর নির্ভর করে; একটি স্কোর অদেখা পদ্ধতি, বিষয়বস্তু বা বিকৃতিতে ব্যর্থ হতে পারে।
প্রাথমিক উৎস: Rank-based No-reference Quality Assessment for Face Swapping
মানব-পর্যালোচনা স্কোরকার্ড
#এছাড়াও বলা হয়: মানব মূল্যায়ন রুব্রিক, আউটপুট পর্যালোচনা রুব্রিক
একটি পুনরাবৃত্তিযোগ্য রুব্রিক যা একজন পর্যালোচককে একটি নির্দিষ্ট আউটপুটের জন্য দৃশ্যমান মানদণ্ড, রেটিং অ্যাঙ্কর, সমালোচনামূলক গেট এবং নোট রেকর্ড করতে বলে।
প্রমাণ সীমানা: এটি কাঠামোগত মানব পর্যবেক্ষণ রেকর্ড করে, মডেল নির্ভুলতা, বায়োমেট্রিক পরিচয়, একটি সম্ভাবনা বা প্রদানকারী-ব্যাপী র্যাঙ্কিং নয়।
প্রাথমিক উৎস: DeepSwapAI ফেস সোয়াপ আউটপুট কোয়ালিটি স্কোরকার্ড; Rank-based No-reference Quality Assessment for Face Swapping
প্রোভেন্যান্স
প্রোভেন্যান্স
ডিজিটাল বিষয়বস্তু কোথা থেকে এসেছে এবং এর সাথে কী ঘটেছে তা রেকর্ড করার মান।
C2PA
#এছাড়াও বলা হয়: কোয়ালিশন ফর কন্টেন্ট প্রোভেন্যান্স অ্যান্ড অথেনটিসিটি
স্বাক্ষরিত ম্যানিফেস্ট, অ্যাসারশন, উপাদান এবং দাবির মাধ্যমে ডিজিটাল সামগ্রী সম্পর্কে টেম্পার-এভিডেন্ট প্রোভেন্যান্স তথ্য রেকর্ড করার জন্য একটি উন্মুক্ত প্রযুক্তিগত মান।
প্রমাণ সীমানা: C2PA প্রোভেন্যান্স প্রমাণ এবং টেম্পার সংকেত সরবরাহ করতে পারে, তবে স্পেসিফিকেশন নির্ধারণ করে না যে চিত্রিত বিষয়বস্তু সত্য, নির্ভুল বা নৈতিকভাবে অনুমোদিত কিনা।
প্রাথমিক উৎস: C2PA Technical Specification 2.4; C2PA এক্সপ্লেইনার 2.3
কন্টেন্ট ক্রেডেনশিয়ালস
#এছাড়াও বলা হয়: C2PA কন্টেন্ট ক্রেডেনশিয়ালস, কন্টেন্ট প্রোভেন্যান্স ক্রেডেনশিয়ালস
C2PA ইকোসিস্টেমের মাধ্যমে একটি ডিজিটাল সম্পদের সাথে যুক্ত প্রোভেন্যান্স তথ্যের ব্যবহারকারী-মুখী উপস্থাপনা।
প্রমাণ সীমানা: প্রাপ্যতা এবং প্রদর্শিত বিবরণ ক্রেডেনশিয়াল, স্বাক্ষরকারী, বৈধতাকারী, সম্পদ এবং প্ল্যাটফর্মের উপর নির্ভর করে; একটি ক্রেডেনশিয়াল একটি ঘোষণা নয় যে বিষয়বস্তু বাস্তবিকভাবে সত্য।
প্রাথমিক উৎস: C2PA এক্সপ্লেইনার 2.3; C2PA Technical Specification 2.4
মেট্রিক ব্যাখ্যা
চারটি নিয়ম বিভ্রান্তিকর তুলনা প্রতিরোধ করে
সম্পর্কের নাম দিন
আইডেন্টিটি মেট্রিক সাধারণত আউটপুটকে উৎস আইডেন্টিটির সাথে তুলনা করে। পোজ এবং এক্সপ্রেশন সংরক্ষণ সাধারণত আউটপুটকে টার্গেটের সাথে তুলনা করে। এগুলো ভিন্ন প্রশ্ন।
প্রোটোকল ধ্রুবক রাখুন
ডেটাসেট, ক্রপ, ইভালুয়েটর, প্রিপ্রসেসিং, ইমপ্লিমেন্টেশন, নমুনা গণনা এবং এগ্রিগেশন—সবই রিপোর্টেড মান পরিবর্তন করতে পারে। একটি শেয়ার্ড মেট্রিক নাম যথেষ্ট নয়।
সেট-লেভেল এবং একক-আউটপুট প্রমাণ আলাদা রাখুন
FID ইমেজ-সেট ডিস্ট্রিবিউশন বর্ণনা করে। SSIM এবং LPIPS-এর জন্য একটি অর্থপূর্ণ তুলনা রেফারেন্স প্রয়োজন। একটি হিউম্যান স্কোরকার্ড একটি পর্যালোচিত আউটপুট সম্পর্কে দৃশ্যমান পর্যবেক্ষণ রেকর্ড করে।
প্রতিটি গুণগত মাত্রাকে একত্রে ফেলবেন না
আইডেন্টিটি, টার্গেট-অ্যাট্রিবিউট সংরক্ষণ, সীমানা, অক্লুশন, টেকনিক্যাল অখণ্ডতা এবং টেম্পোরাল স্থিতিশীলতা স্বাধীনভাবে ব্যর্থ হতে পারে এবং পরিদর্শনযোগ্য থাকা উচিত।
ভার্সনযুক্ত সিদ্ধান্ত মানচিত্র ব্যবহার করুন: the ফেস সোয়াপ ইভালুয়েশন মেট্রিক ম্যাপ এই শর্তগুলোকে তুলনামূলক ইনপুট, প্রোটোকল স্তর, পূর্বশর্ত, ব্যাখ্যার দিকনির্দেশ এবং প্রাথমিক উৎসের সাথে সংযুক্ত করে। এর JSON, CSV এবং BibTeX রেকর্ডগুলো তালিকাভুক্ত আছে গবেষণা ক্যাটালগে.
গ্লোসারি প্রশ্ন
এই সংজ্ঞাগুলো কীভাবে ব্যবহার করবেন
এই পৃষ্ঠা কি সঠিক DeepSwapAI মডেল স্ট্যাক প্রকাশ করে?
না। এটি শিল্প ও গবেষণা ধারণা সংজ্ঞায়িত করে দাবি না করেই যে প্রতিটি উদ্ধৃত পদ্ধতি প্রোডাকশন ইমপ্লিমেন্টেশনের অংশ।
আমি কি দুটি গবেষণাপত্র জুড়ে একই মেট্রিক তুলনা করতে পারি?
শুধুমাত্র ডেটাসেট, ইভালুয়েটর, প্রিপ্রসেসিং, ইমপ্লিমেন্টেশন এবং এগ্রিগেশন নিয়ম মিলেছে কিনা তা পরীক্ষা করার পর।
FID কি একটি আউটপুট পরিমাপ করতে পারে?
না। FID একটি ডিস্ট্রিবিউশন-লেভেল পরিমাপ এবং জেনারেটেড ও রেফারেন্স ইমেজ সেট প্রয়োজন।
কন্টেন্ট ক্রেডেনশিয়াল কি একটি ইমেজকে সত্য প্রমাণ করে?
না। এগুলো প্রোভেন্যান্স তথ্য এবং ভ্যালিডেশন সিগন্যাল প্রদান করে, কোনো বাস্তবিক সত্য রায় নয়।
শর্তগুলো একটি দৃশ্যমান আউটপুটে প্রয়োগ করুন
একটি নমুনাকে প্রদানকারী-ব্যাপী দাবিতে পরিণত না করে আইডেন্টিটি, সীমানা, পোজ, আলো, অক্লুশন, টেকনিক্যাল অখণ্ডতা এবং ভিডিও স্থিতিশীলতা পর্যালোচনা করতে বিনামূল্যের স্কোরকার্ড ব্যবহার করুন।