6 kontrollierte Proben
Referenz, reduzierte Auflösung, Weichzeichnung, geringe Belichtung, hohe Belichtung und starke JPEG-Komprimierung.
Forschung
Forschung
Forschung — Zweck, Prüfmethode, Anwendungsgrenzen und Anforderungen für eine verantwortungsvolle Nutzung.
Praktischer Ratgeber
Forschung
Diese Seite erklärt Forschung 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
Dies ist ein Eingabe-Stresstest, kein KI-Genauigkeits-Ranking
Das Experiment ändert jeweils eine Variablenfamilie um dasselbe DeepSwapAI-eigene Quell-Creative herum. Es veröffentlicht dekodierte Pixelmessungen und exakte Transformationen. Es führt keinen Gesichtstausch durch, vergleicht keine Modelle, schätzt keine Identitätsähnlichkeit und erklärt keinen Qualitätsgewinner.
5 Pixel-Messungen
Mittlere Leuchtdichte, Kontrast-Standardabweichung, Dunkelclipping, Lichterclipping und Kantenunterschied zwischen benachbarten Pixeln.
0 Ausgabeansprüche
Kein generiertes Bild, Erfolgsrate, Realismus-Score, Identitäts-Score, Geschwindigkeitsergebnis oder Produktranking.
Kontrollierte Varianten
Siehe die exakte Bildmenge hinter den Messungen
Jede Platte stammt von derselben Quell-Asset. Eine visuelle Inspektion bleibt notwendig, da aggregierte Metriken nicht jedes lokale Artefakt zeigen können.
Gemessene Daten
Dekodierte Pixel-Messungen bei einer maximalen Analyse-Seitenlänge von 512 Pixeln
Die Leuchtdichte verwendet Rec. 709-Koeffizienten. Dunkelclipping zählt Leuchtdichte bei oder unter 10; Lichterclipping zählt Leuchtdichte bei oder über 245. Der Kantenunterschied ist die mittlere absolute Leuchtdichtedifferenz über horizontale und vertikale benachbarte Pixel.
| Variante | Abmessungen | Mittlere Luminanz | Kontrast-Standardabweichung | Dunkelgeclippt | Hellgeclippt | Kantenunterschied |
|---|---|---|---|---|---|---|
| Referenz-Enkodierung | 960 x 540 | 125.82 | 58.95 | 1.22% | 0% | 7.74 |
| Reduzierte Auflösung | 320 x 180 | 126.22 | 58.81 | 1.1% | 0.01% | 10.55 |
| Weichzeichnung | 960 x 540 | 124.8 | 55.19 | 0.16% | 0% | 2.68 |
| Geringe Belichtung | 960 x 540 | 57.18 | 30.37 | 9.22% | 0% | 3.87 |
| Hohe Belichtung | 960 x 540 | 197.15 | 62.53 | 0% | 36.64% | 8.41 |
| Starke JPEG-Komprimierung | 960 x 540 | 125.58 | 58.95 | 1.29% | 0.01% | 7.45 |
Wichtig: Ein Wert ist eine Messung, kein universelles Bestehenskriterium. Die komprimierte JPEG zeigt warum: ihre globalen Messungen bleiben nahe an der Referenz, obwohl visuelle Block- und Ringing-Artefakte weiterhin vorhanden sein können.
Reproduzierbare Methode
Exakte Transformationen und unveränderliche Datei-Fingerabdrücke
Der SHA-256 der Quelle ist 2f293e48f7d5d6a08ce9ab759a124e00ce92f2a204cd530284ce7d1f0ecc7c3d. Jede Ausgabe wird dekodiert, falls nötig über Weiß compositet, proportional auf maximal 512 Pixel auf der längsten Seite skaliert und in Zeilenreihenfolge abgetastet.
Referenz-Enkodierung
Skaliere die eigene Quelle auf 960 x 540 und kodiere als WebP mit Qualität 82.
SHA-256: 8c852071b02e03d91eb264655fef14654026fa46dc32e736a2b25c2ab0a1186a
Reduzierte Auflösung
Skaliere dieselbe Quelle auf 320 x 180 und kodiere als WebP mit Qualität 82.
SHA-256: 955c0e4e97a7af8564b39733b9654d3294abd07fa014c530ca733d8708000cc0
Weichzeichnung
Skaliere auf 960 x 540, wende einen Gaußschen Weichzeichner mit Sigma 4,5 an und kodiere als WebP mit Qualität 82.
SHA-256: e8edf51e0ef2b38916c858fe4aff932b14081d60ebd55552fbfc360586350886
Geringe Belichtung
Skaliere auf 960 x 540, wende y = 0,52x - 8 auf RGB-Kanäle an, begrenze auf 8-Bit-Bereich und kodiere als WebP mit Qualität 82.
SHA-256: 727172796e3cf8efdefd601d21177321c1bfcfbc458d629a689897aecf442769
Hohe Belichtung
Skaliere auf 960 x 540, wende y = 1,35x + 45 auf RGB-Kanäle an, begrenze auf 8-Bit-Bereich und kodiere als WebP mit Qualität 82.
SHA-256: f2b01d592108fea3bb82e888733d89fb7356c307cda00d6d55d587b422da957b
Starke JPEG-Komprimierung
Skaliere auf 960 x 540 und kodiere als JPEG mit Qualität 15 und 4:2:0-Chroma-Subsampling.
SHA-256: cd952c4c50fb78e941a62492e7ef6c3cc2fae96abac7df87aa1f32d4106b97ae
Lade den vollständigen Datensatz herunter
Die JSON und CSV enthalten die Formeln, den Umfang, die Einschränkungen, die Transformationen, die Abmessungen, die Bytegrößen, die Metriken und die SHA-256-Fingerabdrücke. Die BibTeX-Datei bietet eine stabile Zitierung.
GIF Schleifenbeweis
Sieben Referenzvorrichtungen erklären das rohe Schlaufen-Naht-Delta
Der lokale GIF-Prüfer vergleicht die ersten und letzten angezeigten Canvases nach Anwendung der GIF89a-Entsorgungsregeln. Diese Vorrichtungen machen diese Berechnung reproduzierbar: Identische Bilder messen 0 %, ein viertel Weißwechsel misst 18,75 %, ein vollständiger Schwarz-zu-Weiß-Schnitt misst 75 % und die eigene Stichprobe mit 27 Bildern misst 15,835339 %. Ein höherer Wert kann eine absichtliche Bewegung oder ein Schnitt sein; es handelt sich nicht um eine Qualitätsstufe.
| Referenzfall | Leinwand | Rahmen | RGBA-Nahtdelta | Zweck |
|---|---|---|---|---|
| Identischer erster und letzter Frame | 4 × 4 | 2 | 0% | Null-Delta-Steuerung. |
| Gleichmäßige RGB-Verschiebung um 32 | 4 × 4 | 2 | 9.411765% | Zeigt den Effekt einer kleinen Farbänderung im gesamten Bild, während Alpha konstant bleibt. |
| Vollformatiger Schwarz-Weiß-Schnitt | 4 × 4 | 2 | 75% | High-Delta-Steuerung für einen gezielten harten Schnitt. |
| Ein Viertel lokaler Weißwechsel | 4 × 4 | 2 | 18.75% | Trennt eine lokale bewegungsartige Änderung von einem Vollbildschnitt. |
| GIF89a-Wiederherstellung im Hintergrund | 2 × 1 | 2 | 37.5% | Überprüft Entsorgungstyp 2, bevor der endgültige Patch zusammengestellt wird. |
| GIF89a Wiederherstellung der vorherigen Entsorgung | 2 × 1 | 2 | 37.5% | Überprüft Entsorgungstyp 3, bevor der endgültige Patch zusammengestellt wird. |
| Eigenes 27-Frame-Animationsbeispiel | 320 × 180 | 27 | 0.002378% | Echte animierte GIF-Referenz mit dekodierten Frames und GIF89a-Entsorgungsregeln. |
Wiederverwendung der Methode, Vorrichtungen und genauen Ergebnisse
JSON veröffentlicht die Formel, die Entsorgungssemantik, die Rezepte, die Beweisgrenze, Einschränkungen und den Fingerabdruck der eigenen Probe. Der CSV ist analysebereit und die BibTeX-Datei sorgt für eine stabile Zitierung.
Probieren Sie Ihr eigenes GIF lokal aus: öffne das Kostenloser, browserbasierter GIF-Preflight. Die ausgewählte Datei verbleibt auf dem Gerät, für den Prüfer ist keine Anmeldung erforderlich und der dateinamenfreie JSON-Bericht verwendet dieselbe Methode. Dadurch wird die Generierung von GIF weder kostenlos noch anonym.
Forschungsdatenkatalog
Sieben wiederverwendbare Assets mit expliziten Beweisgrenzen
In diesem Katalog werden Eingabemessungen, GIF-Loop-Boundary-Evidenz, Single-Output-Human-Review, Metrikauswahl, offizielle Quellenproduktreview, API-Vertragsreview und Illustrations-Pixel-Analyse separat behandelt. Geben Sie das von Ihnen verwendete spezifische Asset, seine Version und seine kanonische URL an, anstatt einen Anspruch von einem Beweistyp auf einen anderen zu übertragen. Die Website ist kanonisch und veröffentlicht a CFF-Zitierdatei, Datenpaket mit 16 Ressourcen, DCAT 3 Katalog, und 19 Dateien umfassendes SHA-256-Manifest. Der historische Repository-Zustand von v1.6.2 bleibt unabhängig erhalten in einem Software Heritage-Snapshot mit der Kennung swh:
Kontrollierter Benchmark zur Eingabebereitschaft v1.0.0
Sechs kontrollierte Bildvarianten, fünf dekodierte Pixel-Messungen, exakte Transformationen, Datei-Fingerabdrücke, JSON, CSV und BibTeX. Kanonischer Datensatz: deepswapai.com/research.
GIF Schleifennaht-Delta-Referenzvorrichtungen v1.0.0
Sieben reproduzierbare Fälle vom ersten bis zum letzten zusammengesetzten Rahmen, einschließlich der Entsorgungstypen 2 und 3 sowie eine eigene Probe mit 27 Rahmen. Bei den Werten handelt es sich um Rohbeweise, nicht um Gesichts- oder Qualitätsbewertungen. Öffnen Sie den Fixture-Datensatz GIF.
Bewertungskarte für die Ausgabequalität von Face Swaps v1.0.0
Eine separate Sieben-Kriterien-Menschprüfungsrubrik mit lokaler Berechnung, wiederverwendbaren JSON und CSV und expliziten Grenzen für biometrische oder anbieterbezogene Ansprüche. Bewertungstabelle öffnen.
Entscheidungskarte für Face-Swap-Bewertungsmetriken v1.1.0
9 quellenüberprüfte Evaluationsfamilien plus eine 3-Protokoll-Forschungskreuzung, jeweils mit expliziten Eingaben, Voraussetzungen und Interpretationsgrenzen. Es wird keine Metrik ausgeführt und kein Anbieter bewertet. Öffnen Sie die Metrik-Karte.
Quellengeprüfte Gesichtstausch-Tool-Landschaft v1.0.0
13 normalisierte Produkteinträge, gestützt durch 66 aktuelle offizielle Quell-URLs, mit sichtbaren Unbekannten und ohne Ausgabequalitätsranking. Öffnen Sie den Vergleichsdatensatz.
Gesichtstausch API Vertragslandschaft v1.0.0
6 normalisierte API-Einträge, gestützt durch 21 aktuelle offizielle Quell-URLs. Es bewahrt inkompatible Preiseinheiten und offizielle Quellkonflikte, ohne eine Generierungsanfrage auszuführen oder Anbieter zu bewerten. Öffnen Sie den API-Vertragsdatensatz.
Offizielles Demonstrationspanel-Audit v1.0.0
Drei ausgerichtete decodierte Pixelbereiche, exakte Ausschnittkoordinaten, Formeln, Quellfingerabdruck, JSON, CSV und BibTeX. Es misst eine Illustration und bewertet keine generierte Ausgabe. Öffnen Sie das Vorher-Nachher-Audit.
Laden Sie den kanonischen Forschungskatalog herunter
Das JSON-LD beschreibt alle sieben Datensätze, ihre Evidenzgrenzen, kanonischen Aufzeichnungen, Lizenzen, Zitate und Verteilungen. CSV bietet das gleiche Inventar für tabellarische Tools.
Zitat und Weiterverwendung: zitieren Sie „DeepSwapAI Controlled Image Input-Readiness Benchmark v1, https://deepswapai.com/research”. The JSON, CSV, Formeln, Transformationen und Messmetadaten verwenden CC BY 4.0. Referenzierte Beispielbilder bleiben Eigentum von DeepSwapAI und werden nicht für nicht verwandte Weiterverwendungen lizenziert.
Interpretationsgrenze
Was das Experiment feststellt und was unbekannt bleibt
Auflösung ist explizit
Pixelabmessungen und Dateigröße sind exakte Eigenschaften. Das Hochskalieren eines kleinen Bildes ändert die Abmessungen, kann aber fehlende Identitätsdetails nicht rekonstruieren.
Belichtung hinterlässt messbare Beschneidung
Die kontrollierte helle Variante movt 36,64 % der abgetasteten Pixel in den Spitzlicht-Beschneidungsbereich. Das stellt einen verlorenen Eingabebereich fest, keinen vorhergesagten Ausgabefehler.
Unschärfe verringert lokale Kantenänderung
Die Weichzeichnervariante reduziert die benachbarte Kantendifferenz von 7,74 auf 2,68. Die Metrik ist szenenweit und isoliert kein Gesicht.
Kompression erfordert visuelle Überprüfung
Starke JPEG-Kompression kann globale Durchschnittswerte bewahren, während sie lokale Artefakte erzeugt. Eine technische Vorabprüfung darf nicht aus ein paar Metriken eine falsche Qualitätsbewertung machen.
Einschränkungen: eine Quellszene ist keine Grundgesamtheit. Der Analysator erkennt keine Gesichter, Identität, Einwilligung, Pose, Ausdruck, Blick, Haare, Okklusion oder Modellverhalten. Er kann keine Realitätsnähe, Genauigkeit, Verarbeitungserfolg, Präferenz oder endgültige Exportqualität vorhersagen.
Von Eingabeevidenz zur Ausgabeüberprüfung
Verwenden Sie ein separates Protokoll nach der Generierung
Eingabemessungen und Ausgabebeobachtungen beantworten unterschiedliche Fragen. Nach der Generierung eines repräsentativen Ergebnisses verwenden Sie die Gesichtstausch-Qualitätsbewertungskarte, um Identität, Mischung, Pose, Beleuchtung, Okklusion, technische Integrität und zeitliche Stabilität zu dokumentieren, ohne aus einer Ausgabe einen modellweiten Anspruch zu machen.
Forschungsfragen
Antworten ohne Überbewertung der Evidenz
Misst dieser Benchmark die Ausgabequalität des Gesichtstauschs?
Nein. Er misst nur kontrollierte Eingabebildeigenschaften. Es wurde keine Gesichtstausch-Ausgabe generiert, bewertet oder verglichen.
Kann es ein realistisches Ergebnis vorhersagen?
Nein. Die Messungen beobachten nicht das Generierungsmodell, die Identität, Pose, Ausdruck, Okklusion oder Ausgabe.
Warum eine komprimierte Probe veröffentlichen, die in der Tabelle ähnlich aussieht?
Weil es eine echte Einschränkung aufzeigt: Globale aggregierte Messungen können lokale JPEG-Artefakte übersehen.
Wo kann ich mein eigenes Bild testen?
Verwenden Sie den lokalen Bereitschaftsprüfer. Er wendet dieselben fünf Messdefinitionen in Ihrem Browser an, ohne das ausgewählte Bild hochzuladen.
Wie kann ich die Daten zitieren oder weiterverwenden?
Verwenden Sie den herunterladbaren BibTeX-Eintrag oder die sichtbare Quellenangabe. Messdaten und Metadaten verwenden CC BY 4.0; referenzierte Beispielbilder bleiben Eigentum von DeepSwapAI.
Face-Swap starten
Browserbasierter KI-Face-Swap für erlaubte Fotos, Stapel, Gruppenfoto-Zuordnung, Videos und GIFs.