Technisches Glossar
Technisches Glossar
Technisches Glossar. Browserbasierter KI-Face-Swap für erlaubte Fotos, Stapel, Gruppenfoto-Zuordnung, Videos und GIFs. Conteúdo localizado: de. Quellengeprüfter Vergleich.
Praktischer Ratgeber
Technisches Glossar
Diese Seite erklärt Technisches Glossar auf Deutsch, einschließlich Zweck, Grenzen und Prüfung. Der geprüfte Text darunter behält Produktfakten, Zahlen, Links und Quellen bei; nutze nur erlaubte Medien.
Quellengeprüfter Vergleich: Browserbasierter KI-Face-Swap für erlaubte Fotos, Stapel, Gruppenfoto-Zuordnung, Videos und GIFs.
Direkte Antwort
Gesichtstausch-Terminologie braucht eine Definition und eine Grenze
Ein Quellgesicht liefert Identitätsmerkmale. Zielmedien liefern die Szene und die beabsichtigten Nicht-Identitätsattribute. Erkennung, Ausrichtung, Maskierung und Generierung beschreiben Teile eines Arbeitsablaufs; Identitätsähnlichkeit, Wahrnehmungsmetriken und menschliche Überprüfung beantworten unterschiedliche Bewertungsfragen.
Implementierungsgrenze: Diese Seite erklärt Terminologie, die in Forschungsarbeiten, Bewertungsprotokollen und der C2PA-Spezifikation zu finden ist. Ein Zitat hier bedeutet nicht, dass DeepSwapAI jede genannte Methode, Architektur, jedes Modell, jede Metrik oder jedes Herkunftsmerkmal verwendet.
Begriffsindex
Springe zu dem Konzept, das du brauchst
Grundlagen des Arbeitsablaufs
Grundlagen des Arbeitsablaufs
Die Medienrollen und geometrischen Vorverarbeitungsbegriffe, die definieren, was in einen Gesichtstausch-Workflow eingeht.
Gesichtstausch
#Auch genannt: KI-Gesichtstausch, Gesichtsaustausch
Eine Computer-Vision-Aufgabe, die Identitätshinweise von einem Quellgesicht in ein Zielbild oder -video überträgt, während versucht wird, Zielattribute wie Pose, Ausdruck, Haare und Hintergrund zu erhalten.
Beweisgrenze: Dies ist eine Aufgabendefinition, keine Garantie dafür, dass jedes System jedes Attribut bewahrt oder dass eine bestimmte Nutzung eine Erlaubnis hat.
Primärquellen: PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion; Fine-Grained Face Swapping via Regional GAN Inversion
Quellgesicht
#Auch genannt: Quellidentität, Identitätsreferenz
Die Person oder das Referenzbild, das die Identitätshinweise liefert, die für das generierte Gesicht bestimmt sind.
Beweisgrenze: Die Quelle definiert normalerweise nicht die Zielszene, den Körper, die Haare, die Pose oder den Hintergrund, und die genaue Aufteilung hängt von der Methode ab.
Primärquellen: PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion; Reinforced Disentanglement for Face Swapping without Skip Connection
Zielmedien
#Auch genannt: Zielbild, Zielvideo
Das Bild oder Video, das die Szene und die Nicht-Identitätsattribute liefert, die eine Gesichtstausch-Methode zu erhalten versucht.
Beweisgrenze: Methoden unterscheiden sich darin, welche Zielattribute sie beibehalten, daher muss die Zielerhaltung bewertet und nicht angenommen werden.
Primärquellen: PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion; DynamicFace: High-Quality and Consistent Face Swapping for Image and Video
Gesichtserkennung
#Auch genannt: Gesichtslokalisierung, Gesichtslokalisation
Der Prozess des Lokalisierens einer oder mehrerer Gesichtsregionen in einem Bild oder Videobild vor der Ausrichtung, Merkmalsextraktion oder Generierung.
Beweisgrenze: Eine erkannte Gesichtsregion ist keine Identitätsentscheidung, keine Einwilligungsprüfung oder ein Beweis dafür, dass die spätere Verarbeitung erfolgreich sein wird.
Primärquellen: RetinaFace: Single-Shot Multi-Level Face Localisation in the Wild
Gesichtsmerkmale
#Auch genannt: Gesichtslandmarken, Landmarkenpunkte
Geschätzte Gesichtsschlüsselpunkte, wie Augenwinkel, Nase und Mundpositionen, die verwendet werden, um die Gesichtsgeometrie für die Ausrichtung oder Konditionierung zu beschreiben.
Beweisgrenze: Landmarkenlayouts, Punktanzahlen und Fehlereinheiten variieren je nach Detektor und Protokoll; sie sind nicht direkt austauschbar.
Primärquellen: RetinaFace: Single-Shot Multi-Level Face Localisation in the Wild; DiffSwap: High-Fidelity and Controllable Face Swapping via 3D-Aware Masked Diffusion
Gesichtsausrichtung
#Auch genannt: Gesichtsausrichtung, ausgerichteter Gesichtsausschnitt
Ein geometrischer Normalisierungsschritt, der die erkannte Gesichtsstruktur nutzt, um ein Gesicht für die spätere Verarbeitung in einen konsistenten Ausschnitt, eine einheitliche Skalierung und Ausrichtung zu bringen.
Beweisgrenze: Ausrichtungskonventionen und -transformationen variieren, und ein ausgerichteter Ausschnitt begründet keine Identität, Qualität oder Erlaubnis.
Primärquellen: RetinaFace: Single-Shot Multi-Level Face Localisation in the Wild; ArcFace: Additive Angular Margin Loss for Deep Face Recognition
Identität und Erhaltung
Identität und Erhaltung
Die Konzepte, die verwendet werden, um Quellidentitätsmerkmale von den Zielattributen zu trennen, die ein Ergebnis zu erhalten versucht.
Gesichtseinbettung
#Auch genannt: Identitätseinbettung, Gesichtsmerkmalvektor
Eine gelernte numerische Darstellung, die so konzipiert ist, dass Gesichtsbilder in einem Merkmalsraum unter einem bestimmten Erkennungsmodell und Vorverarbeitungsprotokoll verglichen werden können.
Beweisgrenze: Vektordimensionen, Distanzfunktionen und Entscheidungsschwellen hängen vom Modell und Bewertungssetup ab; eine Einbettung ist an sich kein Identitätsurteil oder mathematisch garantiert nicht rekonstruierbar.
Primärquellen: ArcFace: Additive Angular Margin Loss for Deep Face Recognition
Identitätsähnlichkeit
#Auch genannt: Identitätserhaltung, Identitätserhaltungswert
Ein protokollabhängiger Vergleich zwischen Quellidentitäts- und Ausgabedarstellungen, der üblicherweise aus einem benannten Gesichtscodierer und einer Ähnlichkeitsfunktion berechnet wird.
Beweisgrenze: Werte sind nicht über Codierer, Ausschnitte, Datensätze, Schwellen oder Demografien hinweg übertragbar und sollten nicht als biometrisches Urteil für eine einzelne Ausgabe präsentiert werden.
Primärquellen: ArcFace: Additive Angular Margin Loss for Deep Face Recognition; PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion
Zielattributerhaltung
#Auch genannt: Attributerhaltung, Zielkonsistenz
Das Ausmaß, in dem ein Ergebnis beabsichtigte Zielmerkmale wie Pose, Ausdruck, Haare, Beleuchtung, Kleidung und Hintergrund beibehält, während es Gesichtsidentitätsmerkmale ändert.
Beweisgrenze: Die bewerteten Attribute und Schätzer müssen benannt werden; ein einzelner aggregierter Wert kann Fehler in einem einzelnen Attribut verbergen.
Primärquellen: PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion; DynamicFace: High-Quality and Consistent Face Swapping for Image and Video
Gesichtsmaske
#Auch genannt: Tauschmaske, Gesichtsmaske
Eine räumliche Karte, die identifiziert, welche Bildregion im Rahmen einer Gesichtstauschoperation generiert, überblendet oder bewertet werden kann.
Beweisgrenze: Maskenkonstruktion und Semantik variieren je nach Methode; eine Maske löst nicht von selbst Okklusion, Grenz- oder Farbinkonsistenzen.
Primärquellen: DiffSwap: High-Fidelity and Controllable Face Swapping via 3D-Aware Masked Diffusion; Fine-Grained Face Swapping via Regional GAN Inversion
Gesichtsparsing
#Auch genannt: Gesichtssemantische Segmentierung
Pixelgenaue semantische Segmentierung von Gesichtskomponenten und umgebenden Regionen wie Haut, Augen, Mund, Haaren oder Hintergrund.
Beweisgrenze: Labelsets und Segmentierungsqualität hängen vom Parser und Datensatz ab, und falsche Regionen können sich auf die spätere Synthese oder das Compositing auswirken.
Primärquellen: Fine-Grained Face Swapping via Regional GAN Inversion
Gesichtsgrenzenüberblendung
#Auch genannt: Grenzüberblendung, Gesichts-Compositing
Der Compositing-Schritt, der eine synthetisierte Gesichtsregion in das Ziel übergehen lässt, unter Berücksichtigung von Hautton, Kanten, Beleuchtung und umgebendem Inhalt.
Beweisgrenze: Eine visuell glatte Grenze begründet keine korrekte Identität, natürliche innere Merkmale oder konsistentes Verhalten über Videobilder hinweg.
Primärquellen: Fine-Grained Face Swapping via Regional GAN Inversion; Reinforced Disentanglement for Face Swapping without Skip Connection
Okkusion
#Auch genannt: Gesichtsverdeckung, verdecktes Gesicht
Ein Zustand, bei dem ein Teil eines Gesichts durch Haare, Hände, Brillen, Gegenstände, eine andere Person oder die Bildgrenze verdeckt wird.
Beweisgrenze: Die Okklusionsbehandlung ist methoden- und szenenabhängig; ein Benchmark muss den betroffenen Bereich und die Sichtbedingungen spezifizieren.
Primärquellen: Fine-Grained Face Swapping via Regional GAN Inversion; DynamicFace: High-Quality and Consistent Face Swapping for Image and Video
Kopfhaltung
#Auch genannt: Gesichtspose, Kopfausrichtung
Die geschätzte Ausrichtung eines Kopfes relativ zur Kamera, oft dargestellt durch Gieren, Neigen und Rollen oder durch Landmarken und 3D-Parameter.
Beweisgrenze: Posewerte hängen vom Schätzer und der Koordinatenkonvention ab; das alleinige Abgleichen der Pose kann die Ausgaberealität nicht vorhersagen.
Primärquellen: DiffSwap: High-Fidelity and Controllable Face Swapping via 3D-Aware Masked Diffusion; PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion
Gesichtsausdruck
#Auch genannt: Ausdruckserhaltung
Die sichtbare Konfiguration von Gesichtsmerkmalen, die mit Zuständen wie Lächeln, Blinzeln oder Mundöffnen verbunden ist, oft als Zielattribut beim Gesichtstausch behandelt.
Beweisgrenze: Ausdruckslabels und -parameter sind schätzerabhängig und können subtiles, asymmetrisches oder kulturell interpretiertes Verhalten übersehen.
Primärquellen: PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion; DynamicFace: High-Quality and Consistent Face Swapping for Image and Video
Videokonsistenz
Videokonsistenz
Bewegungs- und Bildsequenzkonzepte, die in einem einzelnen Standbild nicht existieren.
Zeitliche Konsistenz
#Auch genannt: zeitliche Kohärenz, Bild-zu-Bild-Konsistenz
Die Stabilität von Identitätsmerkmalen, Zielattributen und visuellen Details über aufeinanderfolgende Videobilder hinweg, nicht nur in einem einzelnen Bild.
Beweisgrenze: Ein hohes Konsistenzmaß kann das falsche Ergebnis konsistent bewahren, daher müssen Identitätskorrektheit und sichtbare Qualität separat bewertet werden.
Primärquellen: DynamicFace: High-Quality and Consistent Face Swapping for Image and Video; CanonSwap: High-Fidelity and Consistent Video Face Swapping via Canonical Space Modulation
Optischer Fluss
#Auch genannt: Bewegungsfeld, Pixelkorrespondenz
Ein geschätztes dichtes Bewegungsfeld, das Bildpositionen zwischen Frames abbildet und Bewegungsanalyse, Warping oder zeitliche Diagnostik unterstützen kann.
Beweisgrenze: Optischer Fluss ist eine Schätzung, die um Okklusion, Unschärfe, Beleuchtungsänderungen und neu sichtbare Regionen herum versagen kann; er ist an sich kein Qualitätswert.
Primärquellen: RAFT: Recurrent All-Pairs Field Transforms for Optical Flow; CanonSwap: High-Fidelity and Consistent Video Face Swapping via Canonical Space Modulation
Bewertung
Bewertung
Metriken und Überprüfungsprotokolle, die unter expliziten Bedingungen unterschiedliche Qualitätsfragen beantworten.
Structural Similarity Index (SSIM)
#Auch genannt: SSIM
Ein Vollreferenz-Bildähnlichkeitsmaß, das Luminanz, Kontrast und Struktur zwischen einem Testbild und einem Referenzbild vergleicht.
Beweisgrenze: SSIM erfordert eine sinnvolle, ausgerichtete Referenz, ist nicht gesichtsspezifisch und sein Wert hängt von Skalierung, Fensterung, Farbverarbeitung und Vorverarbeitung ab.
Primärquellen: Image Quality Assessment: From Error Visibility to Structural Similarity
Learned Perceptual Image Patch Similarity (LPIPS)
#Auch genannt: LPIPS, gelernte perzeptuelle Ähnlichkeit
Ein auf tiefen Netzwerkmerkmalen basierender Wahrnehmungsabstand, der anhand menschlicher Urteile über Bildausschnittsähnlichkeit bewertet wurde.
Beweisgrenze: LPIPS ist kein Identitätswert; die Werte hängen vom ausgewählten Netzwerk, der Kalibrierung, der Bildvorbereitung und dem Vergleichsprotokoll ab.
Primärquellen: The Unreasonable Effectiveness of Deep Features as a Perceptual Metric
Frechet Inception Distance (FID)
#Auch genannt: FID
Ein Abstand auf Mengenebene zwischen Merkmalsverteilungen aus generierten und Referenzbildsammlungen, ursprünglich mit Inception-Merkmalen berechnet.
Beweisgrenze: FID ist kein vertretbarer Einzelbildwert, und die Ergebnisse hängen von der Stichprobenanzahl, dem Merkmalsextraktor, der Vorverarbeitung, dem Referenzsatz und der Implementierung ab.
Primärquellen: 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
Referenzlose Qualitätsbewertung
#Auch genannt: NR-IQA, blinde Bildqualitätsbewertung
Eine Methode, die die visuelle Qualität einer Ausgabe schätzt, ohne ein gepaartes, makelloses Referenzbild zu benötigen.
Beweisgrenze: Seine Gültigkeit hängt von den Trainingsdaten und dem Validierungsdesign ab; ein Wert kann bei unbekannten Methoden, Inhalten oder Verzerrungen versagen.
Primärquellen: Rank-based No-reference Quality Assessment for Face Swapping
Human-Review-Scorecard
#Auch genannt: Bewertungsrubrik für menschliche Bewertung, Rubrik zur Ausgabeprüfung
Eine wiederholbare Bewertungsmatrix, die einen Prüfer auffordert, sichtbare Kriterien, Bewertungsanker, kritische Schwellen und Notizen für eine bestimmte Ausgabe zu erfassen.
Beweisgrenze: Sie erfasst strukturierte menschliche Beobachtungen, nicht die Modellgenauigkeit, biometrische Identität, eine Wahrscheinlichkeit oder eine anbieterweite Rangfolge.
Primärquellen: DeepSwapAI Gesichtstausch-Ausgabequalitäts-Scorecard; Rank-based No-reference Quality Assessment for Face Swapping
Herkunft
Herkunft
Standards zur Aufzeichnung, woher digitale Inhalte stammen und was mit ihnen passiert ist.
C2PA
#Auch genannt: Koalition für Inhaltsherkunft und -authentizität
Ein offener technischer Standard zur Aufzeichnung manipulationssicherer Herkunftsinformationen über digitale Inhalte durch signierte Manifeste, Aussagen, Bestandteile und Behauptungen.
Beweisgrenze: C2PA kann Herkunftsnachweise und Manipulationssignale liefern, aber die Spezifikation bestimmt nicht, ob dargestellte Inhalte wahr, korrekt oder ethisch zulässig sind.
Primärquellen: C2PA Technical Specification 2.4; C2PA Erläuterung 2.3
Content Credentials
#Auch genannt: C2PA-Inhaltsanmeldeinformationen, Anmeldeinformationen zur Inhaltsherkunft
Die benutzerseitige Darstellung von Herkunftsinformationen, die mit einem digitalen Asset über das C2PA-Ökosystem verbunden sind.
Beweisgrenze: Verfügbarkeit und angezeigte Details hängen von der Anmeldeinformation, dem Unterzeichner, dem Validator, dem Asset und der Plattform ab; eine Anmeldeinformation ist keine Erklärung, dass der Inhalt sachlich wahr ist.
Primärquellen: C2PA Erläuterung 2.3; C2PA Technical Specification 2.4
Metrikinterpretation
Vier Regeln verhindern irreführende Vergleiche
Benennen Sie die Beziehung
Identitätsmetriken vergleichen normalerweise die Ausgabe mit der Quellidentität. Pose- und Ausdruckserhaltung vergleichen normalerweise die Ausgabe mit dem Ziel. Dies sind unterschiedliche Fragestellungen.
Halten Sie das Protokoll konstant
Datensatz, Ausschnitt, Bewerter, Vorverarbeitung, Implementierung, Stichprobenanzahl und Aggregation können alle einen gemeldeten Wert verändern. Ein gemeinsamer Metrikname ist nicht ausreichend.
Halten Sie Set-Ebene und Einzelausgabe-Nachweise getrennt
FID beschreibt Bildset-Verteilungen. SSIM und LPIPS erfordern eine sinnvolle Vergleichsreferenz. Eine menschliche Bewertungstabelle erfasst sichtbare Beobachtungen zu einer geprüften Ausgabe.
Kollabieren Sie nicht jede Qualitätsdimension
Identität, Erhaltung von Zielattributen, Grenzen, Verdeckung, technische Integrität und zeitliche Stabilität können unabhängig voneinander versagen und sollten überprüfbar bleiben.
Verwenden Sie die versionierte Entscheidungskarte: die Bewertungsmetrik-Karte für Gesichtsaustausch verbindet diese Begriffe mit verglichenen Eingaben, Protokollebenen, Voraussetzungen, Interpretationsrichtungen und Primärquellen. Ihre JSON, CSV und BibTeX-Einträge sind im Forschungskatalog.
Glossarfragen
Wie man diese Definitionen verwendet
Enthüllt diese Seite den genauen DeepSwapAI-Modellstapel?
Nein. Sie definiert Branchen- und Forschungskonzepte, ohne zu behaupten, dass jede zitierte Methode Teil der Produktionsimplementierung ist.
Kann ich dieselbe Metrik in zwei Veröffentlichungen vergleichen?
Nur nachdem überprüft wurde, dass die Datensätze, Bewerter, Vorverarbeitungen, Implementierungen und Aggregationsregeln übereinstimmen.
Kann FID eine einzelne Ausgabe messen?
Nein. FID ist ein Maß auf Verteilungsebene und benötigt Sätze generierter und Referenzbilder.
Beweisen Inhaltsanmeldeinformationen, dass ein Bild wahr ist?
Nein. Sie liefern Herkunftsinformationen und Validierungssignale, kein Urteil über die sachliche Wahrheit.
Face-Swap starten
Browserbasierter KI-Face-Swap für erlaubte Fotos, Stapel, Gruppenfoto-Zuordnung, Videos und GIFs.