Grille de qualité
Grille de qualité
Grille de qualité. Face swap IA dans le navigateur pour photos, lots, groupes, vidéos et GIF autorisés. Conteúdo localizado: fr. Comparaison vérifiée par les sources.
Guide pratique
Grille de qualité
Cette page présente Grille de qualité en français, avec son objectif, ses limites et sa vérification. Le contenu vérifié conserve faits, chiffres, liens et sources ; utilisez uniquement des médias autorisés.
Comparaison vérifiée par les sources: Face swap IA dans le navigateur pour photos, lots, groupes, vidéos et GIF autorisés.
Réponse directe
Un score de qualité d'échange de visage a besoin de critères visibles et d'une limite de preuve
Cette fiche de score structure un examen humain d'une sortie spécifique. Elle n'inspecte pas un visage biométriquement, ne prédit pas un résultat non vu, ni ne transforme un échantillon favorable en une déclaration sur un modèle ou un fournisseur entier.
Évaluation interactive
Noter une sortie avec la même norme
Choisir le type de média, compléter les portes, noter chaque critère applicable et conserver une courte note de preuve pour tout ce qu'un autre examinateur devrait pouvoir trouver.
Rating anchors
Utilisez la même signification de 0 à 4 pour chaque critère
L'échelle décrit le défaut le plus fort observé dans l'échantillon pour ce critère. Ce n'est pas un score de confiance, une probabilité ou une mesure biométrique.
| Rating | Anchor | Definition |
|---|---|---|
| 0 | Inutilisable | Un échec ou un défaut grave empêche l'utilisation prévue. |
| 1 | Défaut majeur | Un défaut clairement visible domine la visualisation normale. |
| 2 | Défaut notable | Un défaut reste facile à remarquer et nécessite une correction ciblée. |
| 3 | Défaut mineur | Un petit défaut est visible lors de la révision mais ne domine pas la visualisation normale. |
| 4 | Aucun défaut matériel observé | Aucun défaut matériel n'a été observé dans la sortie échantillonnée pour ce critère. |
Rubric dimensions
Les poids sont explicites et le mouvement n'est noté que lorsqu'il existe
La vidéo et GIF utilisent la totalité des 100 points de poids de base. La photo exclut la stabilité temporelle et normalise les 90 points restants sur un résultat de 100 points.
| Criterion | Base weight | Media | Review question |
|---|---|---|---|
| Préservation de l'identité | 24% | photo, video, gif | Les yeux visibles, les sourcils, le nez, la bouche, la mâchoire, les indices d'âge et l'identité globale restent-ils cohérents avec la référence prévue ? |
| Limite et fusion du visage | 16% | photo, video, gif | La texture de la peau, les bords du visage, les oreilles, la mâchoire, la ligne des cheveux et le cou se fondent-ils dans la scène cible sans limite apparente de collage ? |
| Cohérence de la pose et de l'expression | 14% | photo, video, gif | La géométrie faciale reste-t-elle cohérente avec l'angle de la tête cible, le regard, l'état des yeux, la forme de la bouche et l'expression ? |
| Continuité de l'éclairage et de la couleur | 14% | photo, video, gif | L'exposition, la couleur, l'ombrage de la peau, les hautes lumières et les ombres restent-ils cohérents avec la scène cible ? |
| Continuité de l'occlusion et des accessoires | 12% | photo, video, gif | Les cheveux, les mains, les lunettes, les masques, les microphones, les objets au premier plan et autres occlusions restent-ils dans le bon ordre visuel ? |
| Intégrité technique | 10% | photo, video, gif | La sortie est-elle exempte de flou matériel, de sonnerie, d'artefacts de bloc, de déchirure, de caractéristiques dupliquées, de changements brusques de texture ou d'images endommagées ? |
| Stabilité temporelle | 10% | video, gif | À travers le mouvement, l'identité reste-t-elle stable sans scintillement, dérive, perte de visage, changements soudains de géométrie ou une couture de boucle visible ? |
Téléchargez le protocole réutilisable
Le JSON contient l'échelle complète, les seuils, les critères, la formule, les bandes de décision, les limites de preuve, la licence et les références. Le CSV est un modèle d'évaluation vierge de sept lignes, et le fichier BibTeX fournit une citation stable.
Automated benchmark map
Les métriques de qualité du face swap répondent à différentes questions
Un benchmark défendable maintient séparés le transfert de l'identité source, la préservation des attributs cibles, le réalisme de la distribution des images et vidéos, le comportement image par image, l'évaluation uniquement sur la sortie, et l'examen humain. La carte de décision versionnée nomme ce que chaque famille compare et le protocole nécessaire avant qu'une valeur puisse être interprétée.
| Measure | Compares | Use | Boundary |
|---|---|---|---|
| Similarité de récupération d'identité ou d'intégration | Identité source versus sortie échangée, utilisant un encodeur facial nommé ou une galerie source. | Dans quelle mesure la sortie conserve-t-elle les preuves de l'identité source sous l'évaluateur fixe ? Une similarité ou une performance de récupération plus élevée est généralement meilleure à l'intérieur du même protocole. | L'encodeur, le recadrage, la galerie, la démographie, le seuil et le prétraitement affectent la valeur. Ce n'est pas un verdict biométrique pour une personne. |
| Stabilité de similarité d'identité image par image | La séquence des similarités d'identité source-vers-sortie à travers les images de sortie détectées sous un encodeur facial nommé. | Les preuves d'identité source restent-elles stables lorsque la pose, l'expression, l'occlusion et les conditions de la scène changent au fil du temps ? Une dispersion plus faible peut indiquer une plus grande stabilité uniquement lorsque la similarité d'identité moyenne ou le résultat de récupération est rapporté à côté. | Une identité systématiquement erronée peut avoir une faible variance. La dispersion ne peut pas remplacer la similarité moyenne ou la récupération, et les valeurs ne sont pas portables entre les encodeurs ou les pipelines d'images. |
| Erreur de pose et d'expression | Estimations de la pose ou de l'expression cibles versus la sortie échangée sous un estimateur nommé. | Dans quelle mesure la sortie préserve-t-elle la pose de la tête et l'expression cibles sous l'estimateur fixe ? Une erreur plus faible est généralement meilleure à l'intérieur du même estimateur et de la même paramétrisation. | Les valeurs ne sont pas portables entre différents estimateurs, recadrages, espaces de paramètres, conventions de points de repère ou pipelines de prétraitement. |
| Frechet Inception Distance (FID) | Une distribution d'images ou d'images générées versus une distribution de référence documentée. | Dans quelle mesure deux distributions de caractéristiques sont-elles proches sous l'extracteur de caractéristiques fixe et le protocole d'échantillonnage ? Un score plus faible est meilleur uniquement à l'intérieur du même jeu de données, extracteur, prétraitement et protocole d'échantillonnage. | Une seule sortie de face swap ne peut pas avoir un FID défendable car une seule image n'est pas une distribution. Le FID n'isole pas la correction de l'identité. |
| Frechet Video Distance (FVD) | Une distribution de clips vidéo générés versus une distribution de clips de référence documentée sous un extracteur de caractéristiques vidéo nommé. | Dans quelle mesure les distributions de caractéristiques vidéo générées et de référence sont-elles proches sous un protocole d'échantillonnage de clips fixe ? Un score plus faible est meilleur uniquement à l'intérieur du même jeu de données, extracteur de caractéristiques, durée de clip, fréquence d'images, prétraitement et protocole d'échantillonnage. | Un seul clip de sortie n'est pas un résultat FVD défendable au niveau de la distribution. Le FVD n'isole pas l'identité source, la préservation des attributs cibles, la synchronisation labiale ou un défaut temporel spécifique. |
| Cohérence du sujet et de l'arrière-plan | Cohérence des caractéristiques à travers les images de sortie et par rapport aux images précédentes, cibles ou de référence. | Dans quelle mesure les caractéristiques du sujet et de l'arrière-plan sont-elles stables à travers le mouvement sous le protocole vidéo fixe ? Une cohérence plus élevée est généralement meilleure sous la même implémentation. | La cohérence seule ne peut pas établir un mappage d'identité correct, un réalisme visuel, une précision du mouvement ou une préparation à la publication. |
| Diagnostics de regard, d'ouverture des yeux, de synchronisation labiale et de mouvement | Comportement nommé de l'œil, de l'audio-lèvre, du point de repère ou du flux optique entre les séquences cibles et de sortie. | Quels attributs dynamiques cibles spécifiques restent synchronisés à travers la vidéo générée ? La direction et l'unité dépendent du diagnostic nommé ; rapportez chacun séparément. | Ces diagnostics ne sont pas interchangeables, nécessitent un protocole vidéo documenté et ne s'appliquent pas à tous les types de médias. |
| Évaluation de qualité apprise sans référence | La sortie seule, évaluée par un modèle entraîné sur des jugements humains classés ou des données de qualité étiquetées. | Comment un évaluateur entraîné classe-t-il la qualité visible de la sortie lorsque les médias de référence explicites ne sont pas disponibles ? La direction dépend de la sortie du modèle ; validez-la sur une distribution de retenue documentée. | La performance dépend des données d'entraînement et de la portée de la validation. Un score uniquement basé sur la sortie ne peut pas établir par lui-même un transfert correct de l'identité source. |
| Fiche de score humaine structurée | Une sortie visible contre des ancres de défauts explicites, des seuils de publication et des notes de l'examinateur. | Quels défauts visibles ou seuils d'utilisation non résolus un examinateur observe-t-il dans cette sortie spécifique ? Utilisez des évaluations ordinales ancrées ; ne réinterprétez pas le résultat comme une probabilité ou un score biométrique. | Preuve subjective concernant l'échantillon examiné, et non la précision du modèle, le classement du fournisseur, la probabilité ou la similarité biométrique. |
Les protocoles de benchmark publiés ne sont pas interchangeables
Le tableau de correspondance ci-dessous enregistre uniquement les configurations décrites par les articles principaux. Il ne copie pas leurs tableaux de résultats, ne prétend pas que chaque jeu de données est téléchargeable, ni ne transforme les valeurs de différents évaluateurs en un seul classement.
| Protocol and source | Comparison unit | Reported measures | Comparability boundary |
|---|---|---|---|
| CASIA FaceSwapping | Paires vidéo source-cible assemblées selon trois protocoles d'isolation de facteurs. Normal : 4 500 paires de même ethnie non chevauchantes provenant d'enregistrements normaux. Inter-ethnies : 1 200 paires couvrant les deux directions entre groupes asiatiques, africains et caucasiens. Inter-attributs : 4 300 paires couvrant les variations normales et de pose, d'expression ou d'éclairage dans les deux directions. | Récupération d'identité, similarité d'identité, erreur de pose, erreur d'expression, FID, cohérence du sujet, cohérence de l'arrière-plan. Aucun protocole d'examen humain n'est résumé dans ce tableau de correspondance. | Les trois tranches isolent différents facteurs au sein de la configuration CASIA. Leurs valeurs dépendent de la construction des paires, des modèles, des extracteurs de caractéristiques, des résolutions et de l'agrégation de cet article. |
| IDBench-V | 200 paires vidéo source et image cible du monde réel rapportées par l'article. Un ensemble d'évaluation de 200 paires couvrant les petits visages, les poses de tête extrêmes, les occlusions sévères, les expressions complexes ou dynamiques et les scènes multi-personnes encombrées. | Similarité d'identité ArcFace, similarité d'identité InsightFace, similarité d'identité CurricularFace, variance de similarité d'identité image par image, erreur de pose, erreur d'expression, cohérence de l'arrière-plan, cohérence du sujet, fluidité du mouvement, FVD. L'article rapporte 19 évaluateurs utilisant des notes de 1 à 5 pour la similarité d'identité, la préservation des attributs et la qualité vidéo. | La ligne enregistre uniquement le protocole rapporté par l'article. Elle n'affirme pas la disponibilité du téléchargement public, ne reproduit pas un résultat, ni ne rend ses valeurs portables vers un autre benchmark. |
| CanonSwap VFS benchmark | 100 paires source-cible échantillonnées à partir de VFHQ ; chaque cible utilise les 100 premières images et quatre secondes d'audio correspondant. Un ensemble d'évaluation de face swap vidéo de 100 paires avec des fenêtres d'image et audio fixes. | Similarité d'identité, récupération d'identité, erreur de pose, erreur d'expression, erreur de regard, erreur de rapport d'aspect de l'œil, LSE-D, LSE-C, cohérence temporelle du flux optique, FVD. Aucun protocole d'examen humain n'est résumé dans ce tableau de correspondance. | Le protocole utilise des choix spécifiques à l'article concernant l'image, l'audio, l'estimateur et l'extracteur de caractéristiques. Ses valeurs ne doivent pas être comparées directement avec les valeurs d'IDBench-V ou de CASIA. |
Téléchargez la carte de décision des métriques
Le JSON préserve les 9 familles de métriques, le tableau de correspondance des 3 protocoles, les prérequis, les directions d'interprétation, les limites de preuve et les sources primaires. Le CSV contient le tableau des familles de métriques ; l'enregistrement BibTeX fournit une attribution stable.
Utilisez la bonne preuve pour la décision : les métriques automatisées nécessitent un jeu de données fixe, un évaluateur, un pipeline de prétraitement, un nombre d'échantillons et des sorties répétées. Cette fiche d'évaluation locale enregistre les défauts visibles dans un résultat examiné et n'imite délibérément pas un benchmark automatisé.
Protocole d'évaluation en cinq étapes
Rendez chaque examen suffisamment reproductible pour qu'une autre personne puisse l'inspecter
- Choisissez le type de sortie et identifiez l'échantillon. Sélectionner photo, vidéo ou GIF et enregistrer un identifiant d'échantillon, un examinateur et une date d'examen.
- Confirmez les trois seuils de publication critiques. Confirmer l'autorisation, vérifier le mappage d'identité prévu et examiner si une divulgation de contenu IA est nécessaire.
- Examinez chaque critère applicable. Noter l'identité, la limite du visage, la pose et l'expression, l'éclairage, l'occlusion, l'intégrité technique et la stabilité temporelle le cas échéant.
- Lisez le résultat pondéré sans outrepasser les seuils. Utiliser le résultat pour prioriser les corrections. Un score numérique ne remplace jamais les portes d'autorisation, de mappage ou de divulgation non résolues.
- Exportez l'enregistrement complet des preuves. Télécharger JSON ou CSV, conserver les notes et répéter le même protocole pour chaque sortie que vous avez l'intention de comparer.
Les comparaisons entre fournisseurs nécessitent plus de preuves : utilisez des entrées autorisées identiques, des exécutions indépendantes répétées, plusieurs examinateurs, des conditions de visualisation documentées et des rapports statistiques. Une sortie choisie à la main ne peut pas établir la qualité moyenne du modèle.
Limite des preuves et sources
L'examen subjectif n'est utile que lorsque ses limites sont visibles
Boundary
Le score est une observation humaine structurée d'une sortie examinée, pas une mesure biométrique d'identité.
Boundary
La grille n'établit pas la précision du modèle, la qualité moyenne, la sécurité, la vitesse, la fiabilité ou la supériorité du fournisseur.
Boundary
Un score élevé ne remplace pas le consentement, la divulgation, la révision légale, d'accessibilité ou spécifique à l'audience.
Boundary
Une déclaration inter-fournisseurs nécessite les mêmes entrées, des passages répétés, des examinateurs indépendants, des conditions de visualisation documentées et un rapport statistique.
- ITU-R BT.500-15: Methodologies for the subjective assessment of the quality of television images - Principes généraux pour l'évaluation d'images subjectives documentées ; la rubrique DeepSwapAI n'est pas un test de laboratoire UIT.
- ITU-T P.910 (10/2023): Subjective video quality assessment methods for multimedia applications - Principes généraux pour l'évaluation multimédia subjective documentée ; la rubrique DeepSwapAI est un flux de travail d'examen unique pratique.
- Towards High Fidelity Face Swapping: A Comprehensive Survey and New Benchmark - Définit le benchmark CASIA FaceSwapping et documente les protocoles d'identité, d'attribut cible, de distribution et de cohérence vidéo.
- DreamID-V: Bridging the Image-to-Video Gap for High-Fidelity Face Swapping via Diffusion Transformer - Introduit le protocole IDBench-V à 200 paires et rapporte la similarité d'identité multi-encodeur, la variance image par image, l'attribut cible, la cohérence vidéo, le FVD et les mesures d'examen humain.
- CanonSwap: High-Fidelity and Consistent Video Face Swapping via Canonical Space Modulation - Rapporte les mesures d'identité, d'attribut cible, de synchronisation, de cohérence temporelle et de distribution spécifiques à la vidéo.
- Rank-based No-reference Quality Assessment for Face Swapping - Étudie l'évaluation de la qualité du face swap apprise uniquement sur la sortie, entraînée contre des jugements classés.
- GANs Trained by a Two Time-Scale Update Rule Converge to a Local Nash Equilibrium - Introduit la distance de Fréchet Inception en tant que mesure d'évaluation au niveau de la distribution.
- Recherche sur la préparation à la lecture d'entrée contrôlée DeepSwapAI - preuve d'entrée uniquement séparée sans score de sortie générée.
- Miroir de la fiche d'évaluation publique versionnée - la copie v1.6.2 dans le référentiel de recherche ouvert.
- Version de recherche ouverte vérifiée par somme de contrôle - manifeste, sommes de contrôle SHA-256, fichiers de citation, JSON et CSV.
- Instantané du référentiel Software Heritage - independently preserved as swh:
1: .snp: f11738615eea 9f999c8709a0 da73130f0426 6209 - Méthodologie de vérification des déclarations DeepSwapAI - comment les faits sur les produits, les comparaisons et les limites de preuve sont examinés.
Scorecard questions
Ce que le nombre peut et ne peut pas établir
Est-ce que cela télécharge mes médias ou mes notes ?
Non. La page n'a pas d'entrée de médias, et les contrôles de la fiche d'évaluation n'envoient pas d'évaluations ou de notes à DeepSwapAI.
Est-ce un score d'identité biométrique ?
Non. C'est une observation humaine documentée des caractéristiques visibles de la sortie, et non une précision de reconnaissance faciale ou une similarité d'intégration.
Peut-on classer les fournisseurs de face swap par score ?
Non. Une comparaison défendable nécessite des entrées partagées, des sorties répétées, plusieurs évaluateurs, des conditions de visualisation contrôlées et un rapport statistique.
Pourquoi la stabilité temporelle est-elle exclue des photos ?
Une image fixe n'a pas de séquence d'images. Le mode photo normalise les six critères applicables de 90 points de poids de base à 100.
Puis-je réutiliser la grille ?
Oui. Les JSON publiés et les CSV vierges utilisent CC BY 4.0 et incluent la déclaration d'attribution requise ainsi qu'un enregistrement BibTeX téléchargeable.
Le FID peut-il mesurer une seule sortie de face swap ?
Non. Le FID compare les distributions d'ensembles d'images générées et de référence. Une seule image n'est pas une distribution.
L'identité doit-elle être comparée à la source ou à la cible ?
La récupération d'identité et la similarité comparent normalement la sortie avec la source. La préservation de la pose et de l'expression compare normalement la sortie avec la cible.
Les valeurs de CASIA FaceSwapping, IDBench-V et CanonSwap peuvent-elles être comparées directement ?
Non. Leur construction de paires, leurs tranches de défi, leurs évaluateurs, leurs extracteurs de caractéristiques, leurs fenêtres audio ou d'images, leur prétraitement et leur agrégation diffèrent. Reproduisez un protocole partagé avant de comparer les valeurs.
Commencer le face swap
Face swap IA dans le navigateur pour photos, lots, groupes, vidéos et GIF autorisés.