Qualitäts-Scorecard
Qualitäts-Scorecard
Qualitäts-Scorecard. Browserbasierter KI-Face-Swap für erlaubte Fotos, Stapel, Gruppenfoto-Zuordnung, Videos und GIFs. Conteúdo localizado: de. Quellengeprüfter Vergleich.
Praktischer Ratgeber
Qualitäts-Scorecard
Diese Seite erklärt Qualitäts-Scorecard 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
Eine Gesichtstausch-Qualitätsbewertung benötigt sichtbare Kriterien und eine Evidenzgrenze
Diese Bewertungstafel strukturiert eine menschliche Überprüfung einer bestimmten Ausgabe. Sie inspiziert kein Gesicht biometrisch, sagt kein ungesehenes Ergebnis voraus oder macht aus einer günstigen Probe eine Behauptung über ein gesamtes Modell oder einen Anbieter.
Interaktive Bewertung
Bewerten Sie eine Ausgabe mit demselben Standard
Wählen Sie den Medientyp, schließen Sie die Hürden ab, bewerten Sie jedes anwendbare Kriterium und führen Sie eine kurze Evidenznotiz für alles, was ein anderer Prüfer finden können sollte.
Bewertungsanker
Verwenden Sie für jedes Kriterium dieselbe Bedeutung von 0 bis 4
Die Skala beschreibt den stärksten Mangel, der im untersuchten Material für dieses Kriterium beobachtet wurde. Es handelt sich nicht um einen Konfidenzwert, eine Wahrscheinlichkeit oder eine biometrische Messung.
| Bewertung | Anker | Definition |
|---|---|---|
| 0 | Unbrauchbar | Ein Fehler oder schwerwiegendes Defizit verhindert die beabsichtigte Verwendung. |
| 1 | Schwerwiegender Mangel | Ein deutlich sichtbarer Mangel dominiert die normale Betrachtung. |
| 2 | Auffälliger Mangel | Ein Mangel bleibt leicht erkennbar und erfordert gezielte Korrektur. |
| 3 | Geringfügiger Mangel | Ein kleiner Mangel ist bei Überprüfung sichtbar, dominiert aber nicht die normale Betrachtung. |
| 4 | Kein wesentlicher Mangel beobachtet | Bei der abgetasteten Ausgabe wurde für dieses Kriterium kein wesentlicher Mangel beobachtet. |
Rubrik-Dimensionen
Gewichte sind explizit und Bewegung wird nur bewertet, wenn Bewegung vorhanden ist
Video und GIF verwenden alle 100 Basispunkte. Foto schließt die zeitliche Stabilität aus und normalisiert die verbleibenden 90 Punkte auf ein 100-Punkte-Ergebnis.
| Kriterium | Basisgewicht | Medium | Überprüfungsfrage |
|---|---|---|---|
| Identitätserhaltung | 24% | Foto, Video, gif | Bleiben die sichtbaren Augen, Augenbrauen, Nase, Mund, Kiefer, Altersmerkmale und die gesamte Identität kohärent mit der beabsichtigten Referenz? |
| Gesichtsgrenze und -verschmelzung | 16% | Foto, Video, gif | Gehen Hauttextur, Gesichtskanten, Ohren, Kiefer, Haaransatz und Hals nahtlos in die Zielszene über, ohne eine aufgeklebte Grenze? |
| Kohärenz von Pose und Ausdruck | 14% | Foto, Video, gif | Bleibt die Gesichtsgeometrie kohärent mit dem Ziel-Kopfwinkel, Blick, Augenstatus, Mundform und Ausdruck? |
| Kontinuität von Licht und Farbe | 14% | Foto, Video, gif | Bleiben Belichtung, Farbe, Hautschattierung, Lichter und Schatten konsistent mit der Zielszene? |
| Kontinuität von Verdeckung und Zubehör | 12% | Foto, Video, gif | Bleiben Haare, Hände, Brillen, Masken, Mikrofone, Vordergrundobjekte und andere Verdeckungen in der korrekten visuellen Reihenfolge? |
| Technische Integrität | 10% | Foto, Video, gif | Ist die Ausgabe frei von wesentlichen Unschärfen, Ringing, Blockartefakten, Rissen, doppelten Merkmalen, abrupten Texturänderungen oder beschädigten Einzelbildern? |
| Zeitliche Stabilität | 10% | Video, gif | Bleibt die Identität über Bewegungen hinweg stabil ohne Flimmern, Drift, Gesichtsverlust, plötzliche Geometrieänderungen oder eine sichtbare Schleifennaht? |
Das wiederverwendbare Protokoll herunterladen
Die JSON enthält die vollständige Skala, Tore, Kriterien, Formel, Entscheidungsbänder, Evidenzgrenzen, Lizenz und Referenzen. Die CSV ist eine leere Bewertungsvorlage mit sieben Zeilen, und die BibTeX-Datei bietet eine stabile Zitierung.
Automatisierte Benchmark-Karte
Qualitätsmetriken für Gesichtstausch beantworten unterschiedliche Fragen
Ein verteidigungsfähiger Benchmark hält Quell-Identitätsübertragung, Zielattribut-Erhaltung, Bild- und Videoverteilungs-Realismus, Bild-zu-Bild-Verhalten, reine Ausgabebewertung und menschliche Überprüfung getrennt. Die versionierte Entscheidungskarte benennt, was jede Familie vergleicht und welches Protokoll benötigt wird, bevor ein Wert interpretiert werden kann.
| Maß | Vergleicht | Verwendung | Grenze |
|---|---|---|---|
| Identitätsabruf oder Einbettungsähnlichkeit | Quellidentität im Vergleich zur getauschten Ausgabe unter Verwendung eines benannten Gesichts-Encoders oder einer Quellgalerie. | Wie stark behält die Ausgabe unter dem festgelegten Bewerter Hinweise auf die Quellidentität? Höhere Ähnlichkeit oder Abrufleistung ist normalerweise besser innerhalb desselben Protokolls. | Der Encoder, der Zuschnitt, die Galerie, die Demografie, der Schwellenwert und die Vorverarbeitung beeinflussen den Wert. Es handelt sich nicht um ein biometrisches Urteil für eine einzelne Person. |
| Einzelbildweise Stabilität der Identitätsähnlichkeit | Die Sequenz der Quell-zu-Ausgabe-Identitätsähnlichkeiten über erkannte Ausgabebilder hinweg unter einem benannten Gesichts-Encoder. | Bleibt der Quell-Identitätsnachweis stabil, wenn sich Pose, Ausdruck, Verdeckung und Szenenbedingungen im Laufe der Zeit ändern? Eine geringere Streuung kann auf eine größere Stabilität hindeuten, nur wenn die mittlere Identitätsähnlichkeit oder das Abrufergebnis daneben gemeldet wird. | Eine durchgängig falsche Identität kann eine geringe Varianz aufweisen. Die Streuung kann die mittlere Ähnlichkeit oder den Abruf nicht ersetzen, und die Werte sind nicht zwischen verschiedenen Encodern oder Bildpipelines übertragbar. |
| Posen- und Ausdrucksfehler | Ziel-Posen- oder Ausdrucksschätzungen im Vergleich zur getauschten Ausgabe unter einem benannten Schätzer. | Wie genau bewahrt die Ausgabe die Ziel-Kopfhaltung und den Ausdruck unter dem festgelegten Schätzer? Ein geringerer Fehler ist normalerweise besser innerhalb desselben Schätzers und derselben Parametrisierung. | Werte sind nicht zwischen verschiedenen Schätzern, Zuschnitten, Parameterräumen, Landmarkenkonventionen oder Vorverarbeitungspipelines übertragbar. |
| Frechet Inception Distance (FID) | Eine Verteilung generierter Bilder oder Frames im Vergleich zu einer dokumentierten Referenzverteilung. | Wie nah sind zwei Merkmalsverteilungen unter dem festgelegten Merkmalsextraktor und Abtastprotokoll? Niedriger ist nur besser innerhalb desselben Datensatzes, Extraktors, Vorverarbeitung und Abtastprotokolls. | Eine einzelne Gesichtstausch-Ausgabe kann keinen verteidigungsfähigen FID haben, da ein einzelnes Bild keine Verteilung ist. FID isoliert nicht die Korrektheit der Identität. |
| Frechet Video Distance (FVD) | Eine Verteilung generierter Videoclips im Vergleich zu einer dokumentierten Referenzclip-Verteilung unter einem benannten Video-Merkmalsextraktor. | Wie nah sind generierte und Referenz-Videomerkmalsverteilungen unter einem festgelegten Clip-Abtastprotokoll? Niedriger ist nur besser innerhalb desselben Datensatzes, Merkmalsextraktors, Clip-Dauer, Bildrate, Vorverarbeitung und Abtastprotokolls. | Ein einzelner Ausgabeclip ist kein verteidigungsfähiges verteilungsbasiertes FVD-Ergebnis. FVD isoliert nicht die Quellidentität, die Zielattribut-Erhaltung, die Lippensynchronisation oder einen spezifischen zeitlichen Mangel. |
| Subjekt- und Hintergrundkonsistenz | Merkmalskonsistenz über Ausgabeframes hinweg und im Vergleich zu vorhergehenden, Ziel- oder Referenzframes. | Wie stabil sind Subjekt- und Hintergrundmerkmale während der Bewegung unter dem festgelegten Videoprotokoll? Höhere Konsistenz ist normalerweise besser unter derselben Implementierung. | Konsistenz allein kann keine korrekte Identitätszuordnung, visuellen Realismus, Bewegungsgenauigkeit oder Publikationsreife herstellen. |
| Blick, Augenöffnung, Lippensynchronisation und Bewegungsdiagnostik | Benanntes Augen-, Audio-Lippen-, Landmarken- oder optisches Flussverhalten zwischen Ziel- und Ausgabesequenzen. | Welche spezifischen dynamischen Zielattribute bleiben während des generierten Videos synchronisiert? Richtung und Einheit hängen vom benannten Diagnostikum ab; melden Sie jedes separat. | Diese Diagnostika sind nicht austauschbar, benötigen ein dokumentiertes Videoprotokoll und gelten nicht für jeden Medientyp. |
| Gelernte No-Reference-Qualitätsbewertung | Die Ausgabe allein, bewertet von einem Modell, das gegen eingestufte menschliche Urteile oder beschriftete Qualitätsdaten trainiert wurde. | Wie bewertet ein trainierter Bewerter die sichtbare Ausgabequalität, wenn explizite Referenzmedien nicht verfügbar sind? Die Richtung hängt vom Modelloutput ab; validieren Sie es auf einer dokumentierten zurückgehaltenen Verteilung. | Die Leistung hängt von den Trainingsdaten und dem Validierungsumfang ab. Eine reine Ausgabepunktzahl kann allein keine korrekte Quellidentitätsübertragung herstellen. |
| Strukturierte menschliche Bewertungstafel | Eine sichtbare Ausgabe im Vergleich zu expliziten Mangelankern, Publikationstoren und Prüfernotizen. | Welche sichtbaren Mängel oder ungelösten Verwendungstore beobachtet ein Prüfer in dieser spezifischen Ausgabe? Verwenden Sie verankerte ordinale Bewertungen; interpretieren Sie das Ergebnis nicht als Wahrscheinlichkeit oder biometrische Punktzahl neu. | Subjektive Evidenz über die überprüfte Stichprobe, nicht über Modellgenauigkeit, Anbieterranking, Wahrscheinlichkeit oder biometrische Ähnlichkeit. |
Veröffentlichte Benchmark-Protokolle sind nicht austauschbar
Die folgende Querverweisliste enthält nur die in den Primärpublikationen beschriebenen Aufbauten. Sie kopiert nicht deren Ergebnistabellen, behauptet nicht, dass jeder Datensatz herunterladbar ist, oder wandelt Werte von verschiedenen Bewertern in eine Bestenliste um.
| Protokoll und Quelle | Vergleichseinheit | Gemeldete Maße | Vergleichbarkeitsgrenze |
|---|---|---|---|
| CASIA FaceSwapping | Quell-Ziel-Videopaare, die unter drei Faktorisolationsprotokollen zusammengestellt wurden. Normal: 4.500 nicht überlappende Paare gleicher Ethnizität aus normalen Aufnahmen. Cross-Ethnicity: 1.200 Paare, die beide Richtungen zwischen asiatischen, afrikanischen und kaukasischen Gruppen abdecken. Cross-Attribute: 4.300 Paare, die normale sowie Pose-, Ausdrucks- oder Beleuchtungsvariationen in beide Richtungen abdecken. | Identitätsabruf, Identitätsähnlichkeit, Posenfehler, Ausdrucksfehler, FID, Subjektkonsistenz, Hintergrundkonsistenz. In dieser Querverweisliste ist kein menschliches Überprüfungsprotokoll zusammengefasst. | Die drei Segmente isolieren unterschiedliche Faktoren innerhalb des CASIA-Aufbaus. Ihre Werte hängen von der Paarkonstruktion, den Modellen, Merkmalsextraktoren, Auflösungen und der Aggregation dieser Publikation ab. |
| IDBench-V | 200 von der Publikation gemeldete reale Quell-Video- und Ziel-Bild-Paare. Ein Bewertungsset mit 200 Paaren, das kleine Gesichter, extreme Kopfhaltungen, starke Verdeckungen, komplexe oder dynamische Ausdrücke und überfüllte Szenen mit mehreren Personen abdeckt. | ArcFace-Identitätsähnlichkeit, InsightFace-Identitätsähnlichkeit, CurricularFace-Identitätsähnlichkeit, bildweise Identitätsähnlichkeitsvarianz, Posenfehler, Ausdrucksfehler, Hintergrundkonsistenz, Subjektkonsistenz, Bewegungsglätte, FVD. Die Publikation berichtet 19 Bewerter, die Bewertungen von 1 bis 5 für Identitätsähnlichkeit, Attributerhaltung und Videoqualität verwenden. | Die Zeile dokumentiert nur das von der Publikation gemeldete Protokoll. Sie behauptet keine öffentliche Download-Verfügbarkeit, reproduziert kein Ergebnis oder macht ihre Werte auf einen anderen Benchmark übertragbar. |
| CanonSwap VFS Benchmark | 100 Quell-Ziel-Paare, die aus VFHQ entnommen wurden; jedes Ziel verwendet die ersten 100 Frames und vier Sekunden des entsprechenden Audios. Ein Bewertungsset für Videogesichtstausch mit 100 Paaren und festen Frame- und Audio-Fenstern. | Identitätsähnlichkeit, Identitätsabruf, Posenfehler, Ausdrucksfehler, Blickfehler, Fehler des Augen-Seitenverhältnisses, LSE-D, LSE-C, zeitliche Konsistenz des optischen Flusses, FVD. In dieser Querverweisliste ist kein menschliches Überprüfungsprotokoll zusammengefasst. | Das Protokoll verwendet publiktionsspezifische Frame-, Audio-, Schätzer- und Merkmalsextraktor-Entscheidungen. Seine Werte dürfen nicht direkt mit IDBench-V- oder CASIA-Werten verglichen werden. |
Die Metrik-Entscheidungskarte herunterladen
Die JSON bewahrt alle 9 Metrikfamilien, die 3-Protokoll-Querverweisliste, Voraussetzungen, Interpretationsrichtungen, Evidenzgrenzen und Primärquellen. Die CSV enthält die Metrikfamilien-Tabelle; der BibTeX-Eintrag bietet eine stabile Zuschreibung.
Verwenden Sie die richtige Evidenz für die Entscheidung: automatisierte Metriken benötigen einen festgelegten Datensatz, Bewerter, Vorverarbeitungspipeline, Stichprobenanzahl und wiederholte Ausgaben. Diese lokale Bewertungstabelle zeichnet sichtbare Mängel in einem überprüften Ergebnis auf und ahmt bewusst keinen automatisierten Benchmark nach.
Fünf-Schritte-Bewertungsprotokoll
Machen Sie jede Überprüfung reproduzierbar genug, damit eine andere Person sie überprüfen kann.
- Wählen Sie den Ausgabetyp und identifizieren Sie die Stichprobe. Wählen Sie Foto, Video oder GIF und notieren Sie eine Probenkennung, den Prüfer und das Prüfdatum.
- Bestätigen Sie die drei kritischen Publikationstore. Bestätigen Sie die Erlaubnis, überprüfen Sie die beabsichtigte Identitätszuordnung und prüfen Sie, ob eine Offenlegung von KI-Inhalten erforderlich ist.
- Überprüfen Sie jedes zutreffende Kriterium. Bewerten Sie Identität, Gesichtsgrenze, Pose und Ausdruck, Beleuchtung, Verdeckung, technische Integrität und zeitliche Stabilität, wo anwendbar.
- Lesen Sie das gewichtete Ergebnis ab, ohne die Tore zu überschreiben. Verwenden Sie das Ergebnis, um Korrekturen zu priorisieren. Eine numerische Punktzahl überschreibt niemals ungelöste Erlaubnis-, Zuordnungs- oder Offenlegungshürden.
- Exportieren Sie den vollständigen Evidenznachweis. Laden Sie JSON oder CSV herunter, behalten Sie Notizen und wiederholen Sie dasselbe Protokoll für jede Ausgabe, die Sie vergleichen möchten.
Anbietervergleiche benötigen mehr Evidenz: verwenden Sie identische zulässige Eingaben, wiederholte unabhängige Durchläufe, mehrere Prüfer, dokumentierte Betrachtungsbedingungen und statistische Berichterstattung. Eine handverlesene Ausgabe kann keine durchschnittliche Modellqualität herstellen.
Evidenzgrenze und Quellen
Subjektive Überprüfung ist nur nützlich, wenn ihre Grenzen sichtbar sind
Grenze
Die Punktzahl ist eine strukturierte menschliche Beobachtung einer geprüften Ausgabe, keine biometrische Identitätsmessung.
Grenze
Die Bewertungsmatrix begründet keine Modellgenauigkeit, Durchschnittsqualität, Sicherheit, Geschwindigkeit, Zuverlässigkeit oder Anbieterüberlegenheit.
Grenze
Eine hohe Punktzahl ersetzt keine Einwilligungs-, Offenlegungs-, Rechts-, Zugänglichkeits- oder zielgruppenspezifische Überprüfung.
Grenze
Eine anbieterübergreifende Aussage erfordert dieselben Eingaben, wiederholte Durchläufe, unabhängige Prüfer, dokumentierte Betrachtungsbedingungen und statistische Berichterstattung.
- ITU-R BT.500-15: Methodologies for the subjective assessment of the quality of television images - Allgemeine Grundsätze für die dokumentierte subjektive Bildbewertung; die DeepSwapAI-Rubrik ist kein ITU-Labortest.
- ITU-T P.910 (10/2023): Subjective video quality assessment methods for multimedia applications - Allgemeine Grundsätze für die dokumentierte subjektive Multimedia-Bewertung; die DeepSwapAI-Rubrik ist ein praktischer Einzelüberprüfungs-Workflow.
- Towards High Fidelity Face Swapping: A Comprehensive Survey and New Benchmark - Definiert den CASIA FaceSwapping-Benchmark und dokumentiert Protokolle für Identität, Zielattribut, Verteilung und Videokonsistenz.
- DreamID-V: Bridging the Image-to-Video Gap for High-Fidelity Face Swapping via Diffusion Transformer - Führt das 200-Paar-IDBench-V-Protokoll ein und berichtet Multi-Encoder-Identitätsähnlichkeit, bildweise Varianz, Zielattribut-, Videokonsistenz-, FVD- und menschliche Überprüfungsmaße.
- CanonSwap: High-Fidelity and Consistent Video Face Swapping via Canonical Space Modulation - Berichtet videospezifische Identitäts-, Zielattribut-, Synchronisations-, zeitliche Konsistenz- und Verteilungsmaße.
- Rank-based No-reference Quality Assessment for Face Swapping - Untersucht gelernte, reine Ausgabe-Gesichtstausch-Qualitätsbewertung, die gegen eingestufte menschliche Urteile trainiert wurde.
- GANs Trained by a Two Time-Scale Update Rule Converge to a Local Nash Equilibrium - Führt die Frechet-Inception-Distanz als verteilungsbasiertes Bewertungsmaß ein.
- DeepSwapAI kontrollierte Eingabebereitschaftsforschung - separate, reine Eingabeevidenz ohne generierte Ausgabepunktzahl.
- Versionierte öffentliche Bewertungstabellen-Spiegelung - die v1.6.2-Kopie im offenen Forschungsrepository.
- Prüfsummen-verifizierte offene Forschungsveröffentlichung - Manifest, SHA-256-Prüfsummen, Zitierdateien, JSON und CSV.
- Software Heritage Repository-Schnappschuss - unabhängig bewahrt als swh:
1: .snp: f11738615eea 9f999c8709a0 da73130f0426 6209 - DeepSwapAI Methodik zur Überprüfung von Behauptungen - wie Produktfakten, Vergleiche und Evidenzgrenzen überprüft werden.
Fragen zur Bewertungstabelle
Was die Zahl feststellen kann und was nicht
Lädt dies meine Medien oder Notizen hoch?
Nein. Die Seite hat keine Medieneingabe, und die Steuerelemente der Bewertungstabelle senden keine Bewertungen oder Notizen an DeepSwapAI.
Ist dies eine biometrische Identitätspunktzahl?
Nein. Es ist eine dokumentierte menschliche Beobachtung sichtbarer Ausgabeeigenschaften, keine Gesichtserkennungsgenauigkeit oder Einbettungsähnlichkeit.
Kann eine Punktzahl Gesichtstauschanbieter einstufen?
Nein. Ein verteidigungsfähiger Vergleich benötigt gemeinsame Eingaben, wiederholte Ausgaben, mehrere Prüfer, kontrollierte Betrachtungsbedingungen und statistische Berichterstattung.
Warum wird die zeitliche Stabilität bei Fotos ausgeschlossen?
Ein Standbild hat keine Bildsequenz. Der Fotomodus normalisiert die sechs zutreffenden Kriterien von 90 Basispunkten auf 100.
Kann ich die Bewertungsmatrix wiederverwenden?
Ja. Die veröffentlichte JSON und die leere CSV verwenden CC BY 4.0 und enthalten die erforderliche Zuschreibungserklärung und einen herunterladbaren BibTeX-Eintrag.
Kann FID eine einzelne Gesichtstausch-Ausgabe messen?
Nein. FID vergleicht Verteilungen von generierten und Referenzbildsätzen. Ein Bild ist keine Verteilung.
Sollte die Identität mit der Quelle oder dem Ziel verglichen werden?
Identitätsabruf und -ähnlichkeit vergleichen normalerweise die Ausgabe mit der Quelle. Die Erhaltung von Pose und Ausdruck vergleicht normalerweise die Ausgabe mit dem Ziel.
Können CASIA FaceSwapping-, IDBench-V- und CanonSwap-Werte direkt verglichen werden?
Nein. Ihre Paarkonstruktion, Herausforderungssegmente, Bewerter, Merkmalsextraktoren, Frame- oder Audio-Fenster, Vorverarbeitung und Aggregation unterscheiden sich. Reproduzieren Sie ein gemeinsames Protokoll, bevor Sie Werte vergleichen.
Face-Swap starten
Browserbasierter KI-Face-Swap für erlaubte Fotos, Stapel, Gruppenfoto-Zuordnung, Videos und GIFs.