품질 스코어카드
품질 스코어카드
품질 스코어카드. 허가받은 사진, 일괄, 단체 사진 매핑, 동영상, GIF를 위한 브라우저 기반 AI 얼굴 교체. Conteúdo localizado: ko. 출처 확인 비교.
실용 가이드
품질 스코어카드
품질 스코어카드의 사용 범위와 한계, 확인 방법을 한국어로 설명합니다. 아래 검토된 본문에는 제품 사실, 수치, 링크와 출처가 그대로 유지됩니다. 허가받은 미디어만 사용하세요.
출처 확인 비교: 허가받은 사진, 일괄, 단체 사진 매핑, 동영상, GIF를 위한 브라우저 기반 AI 얼굴 교체.
직접 답변
얼굴 교체 품질 점수에는 가시적 기준과 증거 경계가 필요합니다.
이 성과표는 하나의 특정 출력물에 대한 인간 검토를 구조화합니다. 생체 인식으로 얼굴을 검사하거나, 보이지 않는 결과를 예측하거나, 하나의 유리한 샘플을 전체 모델 또는 공급자에 대한 주장으로 전환하지 않습니다.
대화형 평가
동일한 표준으로 하나의 출력물 평가
미디어 유형을 선택하고, 관문을 완료하며, 모든 적용 가능 기준을 평가하고, 다른 검토자가 찾을 수 있어야 하는 모든 것에 대해 간단한 증거 노트를 유지하십시오.
평가 기준 앵커
모든 기준에 대해 동일한 0~4 의미 사용
이 척도는 해당 기준에 대해 샘플링된 자료에서 관찰된 가장 심각한 결함을 설명합니다. 신뢰도 점수, 확률 또는 생체 인식 측정값이 아닙니다.
| 등급 | 앵커 | 정의 |
|---|---|---|
| 0 | 사용 불가 | 실패 또는 심각한 결함으로 의도된 사용이 불가능합니다. |
| 1 | 주요 결함 | 명확히 보이는 결함이 정상적인 보기를 지배합니다. |
| 2 | 눈에 띄는 결함 | 결함이 쉽게 눈에 띄며 대상 수정이 필요합니다. |
| 3 | 경미한 결함 | 검토 시 작은 결함이 보이나 정상적인 보기를 지배하지 않습니다. |
| 4 | 중요한 결함이 관찰되지 않음 | 이 기준에 대해 샘플링된 출력에서 중요한 결함이 관찰되지 않았습니다. |
루브릭 차원
가중치는 명시적이며 움직임은 움직임이 있을 때만 점수화됨
비디오 및 GIF는 100개의 기본 가중치 포인트를 모두 사용합니다. 사진은 시간적 안정성을 제외하고 나머지 90포인트를 100포인트 결과로 정규화합니다.
| 기준 | 기본 가중치 | 미디어 | 검토 질문 |
|---|---|---|---|
| 정체성 보존 | 24% | 사진, 비디오, gif | 보이는 눈, 눈썹, 코, 입, 턱, 나이 신호 및 전체 신원이 의도된 참조와 일관성을 유지합니까? |
| 얼굴 경계 및 혼합 | 16% | 사진, 비디오, gif | 피부 질감, 얼굴 가장자리, 귀, 턱, 헤어라인 및 목이 붙여넣은 경계 없이 대상 장면으로 전환됩니까? |
| 포즈와 표정의 일관성 | 14% | 사진, 비디오, gif | 안면 기하 구조가 대상 머리 각도, 시선, 눈 상태, 입 모양 및 표정과 일관성을 유지하는가? |
| 조명 및 색상 연속성 | 14% | 사진, 비디오, gif | 노출, 색상, 피부 음영, 하이라이트 및 그림자가 대상 장면과 일관성을 유지하는가? |
| 가림 및 액세서리 연속성 | 12% | 사진, 비디오, gif | 머리카락, 손, 안경, 마스크, 마이크, 전경 물체 및 기타 가림 요소가 올바른 시각적 순서를 유지하는가? |
| 기술적 무결성 | 10% | 사진, 비디오, gif | 출력물에 재질 블러, 링잉, 블록 아티팩트, 티어링, 중복 특징, 급격한 텍스처 변화 또는 손상된 프레임이 없는가? |
| 시간적 안정성 | 10% | 비디오, gif | 움직임 전반에 걸쳐 깜빡임, 드리프트, 얼굴 손실, 갑작스러운 기하 구조 변화 또는 눈에 띄는 루프 이음새 없이 정체성이 안정적으로 유지되는가? |
재사용 가능한 프로토콜 다운로드
JSON에는 전체 척도, 게이트, 기준, 공식, 결정 대역, 증거 한계, 라이선스 및 참조가 포함되어 있습니다. CSV는 빈 7행 검토 템플릿이며, BibTeX 파일은 안정적인 인용을 제공합니다.
자동화된 벤치마크 맵
얼굴 교체 품질 측정항목은 다른 질문에 답합니다.
방어 가능한 벤치마크는 소스 ID 전송, 대상 속성 보존, 이미지 및 비디오 분포 현실감, 프레임 간 동작, 출력 전용 평가 및 인간 검토를 분리합니다. 버전 관리된 결정 맵은 각 제품군이 비교하는 대상과 값을 해석하기 전에 필요한 프로토콜을 명명합니다.
| 측정항목 | 비교 대상 | 용도 | 경계 |
|---|---|---|---|
| 정체성 검색 또는 임베딩 유사성 | 명명된 얼굴 인코더 또는 소스 갤러리를 사용한 소스 ID 대 교체된 출력 | 고정 평가자 하에서 출력이 소스 ID 증거를 얼마나 강하게 유지합니까? 동일한 프로토콜 내에서 더 높은 유사성 또는 검색 성능이 일반적으로 더 좋습니다. | 인코더, 자르기, 갤러리, 인구 통계, 임계값 및 전처리가 값에 영향을 미칩니다. 한 사람에 대한 생체 인식 판결이 아닙니다. |
| 프레임별 정체성 유사성 안정성 | 하나의 명명된 얼굴 인코더 하에서 감지된 출력 프레임 전체에 걸친 소스-출력 ID 유사성의 시퀀스 | 포즈, 표정, 폐색 및 장면 조건이 시간에 따라 변함에 따라 소스 ID 증거가 안정적으로 유지됩니까? 평균 ID 유사성 또는 검색 결과가 함께 보고될 때만 낮은 분산이 더 큰 안정성을 나타낼 수 있습니다. | 일관되게 잘못된 ID는 낮은 분산을 가질 수 있습니다. 분산은 평균 유사성 또는 검색을 대체할 수 없으며 값은 인코더 또는 프레임 파이프라인 간에 이식할 수 없습니다. |
| 포즈 및 표정 오류 | 명명된 추정기 하에서 대상 포즈 또는 표정 추정치 대 교체된 출력 | 고정 추정기 하에서 출력이 대상 머리 포즈와 표정을 얼마나 정확하게 보존합니까? 동일한 추정기 및 매개변수화 내에서 더 낮은 오류가 일반적으로 더 좋습니다. | 값은 다른 추정기, 자르기, 매개변수 공간, 랜드마크 규칙 또는 전처리 파이프라인 간에 이식할 수 없습니다. |
| Frechet Inception Distance (FID) | 생성된 이미지 또는 프레임의 분포 대 문서화된 참조 분포 | 고정 특징 추출기 및 샘플링 프로토콜 하에서 두 특징 분포가 얼마나 가깝습니까? 동일한 데이터세트, 추출기, 전처리 및 샘플 프로토콜 내에서만 낮을수록 좋습니다. | 하나의 얼굴 교체 출력은 방어 가능한 FID를 가질 수 없습니다. 단일 이미지는 분포가 아니기 때문입니다. FID는 ID 정확성을 분리하지 않습니다. |
| Frechet Video Distance (FVD) | 생성된 비디오 클립의 분포 대 명명된 비디오 특징 추출기 하에서 문서화된 참조 클립 분포 | 하나의 고정 클립 샘플링 프로토콜 하에서 생성된 비디오 특징 분포와 참조 비디오 특징 분포가 얼마나 가깝습니까? 동일한 데이터세트, 특징 추출기, 클립 지속 시간, 프레임 속도, 전처리 및 샘플 프로토콜 내에서만 낮을수록 좋습니다. | 하나의 출력 클립은 방어 가능한 분포 수준 FVD 결과가 아닙니다. FVD는 소스 ID, 대상 속성 보존, 입술 동기화 또는 특정 시간적 결함을 분리하지 않습니다. |
| 주제 및 배경 일관성 | 출력 프레임 전체 및 이전 프레임, 대상 프레임 또는 참조 프레임에 대한 특징 일관성 | 고정 비디오 프로토콜 하에서 움직임을 통해 피사체와 배경 특징이 얼마나 안정적입니까? 동일한 구현 하에서 더 높은 일관성이 일반적으로 더 좋습니다. | 일관성만으로는 올바른 ID 매핑, 시각적 현실감, 움직임 정확성 또는 게시 준비 상태를 설정할 수 없습니다. |
| 시선, 눈 크기, 립싱크 및 모션 진단 | 대상 및 출력 시퀀스 간의 명명된 눈, 오디오-입술, 랜드마크 또는 광학 흐름 동작 | 생성된 비디오를 통해 동기화된 상태로 유지되는 특정 동적 대상 속성은 무엇입니까? 방향과 단위는 명명된 진단에 따라 다릅니다. 각각 별도로 보고하십시오. | 이러한 진단은 상호 교환 가능하지 않으며 문서화된 비디오 프로토콜이 필요하며 모든 미디어 유형에 적용되지 않습니다. |
| 학습된 무참조 품질 평가 | 순위가 매겨진 인간 판단 또는 레이블이 지정된 품질 데이터에 대해 훈련된 모델에 의해 평가된 출력 단독 | 명시적 참조 미디어를 사용할 수 없을 때 훈련된 평가자가 가시적 출력 품질을 어떻게 순위를 매깁니까? 방향은 모델 출력에 따라 다릅니다. 문서화된 보류 분포에서 검증하십시오. | 성능은 훈련 데이터 및 검증 범위에 따라 다릅니다. 출력 전용 점수는 그 자체로 올바른 소스 ID 전송을 설정할 수 없습니다. |
| 구조화된 인간 성과표 | 명시적 결함 앵커, 게시 게이트 및 검토자 메모에 대한 하나의 가시적 출력 | 검토자가 이 특정 출력에서 어떤 가시적 결함 또는 해결되지 않은 사용 게이트를 관찰합니까? 고정된 순서형 등급을 사용하십시오. 결과를 확률 또는 생체 인식 점수로 재해석하지 마십시오. | 검토된 샘플에 대한 주관적 증거, 모델 정확도, 제공자 순위, 확률 또는 생체 인식 유사성이 아닙니다. |
게시된 벤치마크 프로토콜은 상호 교환 가능하지 않습니다.
아래 크로스워크는 기본 논문에 설명된 설정만 기록합니다. 결과 테이블을 복사하거나, 모든 데이터세트를 다운로드할 수 있다고 주장하거나, 다른 평가자의 값을 하나의 리더보드로 전환하지 않습니다.
| 프로토콜 및 출처 | 비교 단위 | 보고된 측정값 | 비교 가능성 경계 |
|---|---|---|---|
| CASIA FaceSwapping | 세 가지 요인 분리 프로토콜에 따라 조합된 소스-대상 비디오 쌍. 일반: 일반 녹화에서 4,500개의 겹치지 않는 동일 민족 쌍. 교차 민족: 아시아, 아프리카 및 백인 그룹 간 양방향에 걸친 1,200쌍. 교차 속성: 일반 및 포즈, 표정 또는 조명 변형을 양방향으로 포괄하는 4,300쌍. | ID 검색, ID 유사성, 포즈 오류, 표정 오류, FID, 피사체 일관성, 배경 일관성. 이 크로스워크에는 인간 검토 프로토콜이 요약되어 있지 않습니다. | 세 가지 슬라이스는 CASIA 설정 내에서 서로 다른 요소를 분리합니다. 해당 값은 해당 논문의 쌍 구성, 모델, 특징 추출기, 해상도 및 집계에 따라 다릅니다. |
| IDBench-V | 200개의 논문 보고 실제 세계 소스 비디오 및 대상 이미지 쌍. 작은 얼굴, 극단적인 머리 포즈, 심각한 폐색, 복잡하거나 역동적인 표정 및 복잡한 다중 인물 장면을 포괄하는 200쌍 평가 세트. | ArcFace ID 유사성, InsightFace ID 유사성, CurricularFace ID 유사성, 프레임별 ID 유사성 분산, 포즈 오류, 표정 오류, 배경 일관성, 피사체 일관성, 움직임 부드러움, FVD. 논문은 ID 유사성, 속성 보존 및 비디오 품질에 대해 1~5 등급을 사용하는 19개의 평가자를 보고합니다. | 행은 논문 보고 프로토콜만 기록합니다. 공개 다운로드 가능성을 주장하거나, 결과를 재현하거나, 그 값을 다른 벤치마크로 이식할 수 있도록 만들지 않습니다. |
| CanonSwap VFS 벤치마크 | VFHQ에서 샘플링된 100개의 소스-대상 쌍; 각 대상은 처음 100개 프레임과 해당 오디오 4초를 사용합니다. 고정 프레임 및 오디오 창이 있는 100쌍 비디오 얼굴 교체 평가 세트. | ID 유사성, ID 검색, 포즈 오류, 표정 오류, 시선 오류, 눈 종횡비 오류, LSE-D, LSE-C, 광학 흐름 시간적 일관성, FVD. 이 크로스워크에는 인간 검토 프로토콜이 요약되어 있지 않습니다. | 프로토콜은 논문별 프레임, 오디오, 추정기 및 특징 추출기 선택을 사용합니다. 해당 값은 IDBench-V 또는 CASIA 값과 직접 비교해서는 안 됩니다. |
측정항목 결정 맵 다운로드
JSON는 9개의 모든 측정항목 제품군, 3-프로토콜 크로스워크, 전제 조건, 해석 방향, 증거 경계 및 주요 출처를 보존합니다. CSV는 측정항목 제품군 테이블을 포함합니다. BibTeX 레코드는 안정적인 귀속을 제공합니다.
결정에 올바른 증거를 사용하십시오: 자동화된 측정항목에는 고정된 데이터세트, 평가자, 전처리 파이프라인, 샘플 수 및 반복된 출력이 필요합니다. 이 로컬 스코어카드는 하나의 검토된 결과에서 가시적 결함을 기록하며 의도적으로 자동화된 벤치마크를 모방하지 않습니다.
5단계 평가 프로토콜
다른 사람이 검사할 수 있을 만큼 각 검토를 재현 가능하게 만드십시오.
- 출력 유형을 선택하고 샘플을 식별하십시오. 사진, 비디오 또는 GIF를 선택하고 샘플 식별자, 검토자 및 검토 날짜를 기록하십시오.
- 세 가지 중요한 게시 게이트를 확인하십시오. 허가를 확인하고, 의도된 정체성 매핑을 확인하며, AI 콘텐츠 공개가 필요한지 검토하십시오.
- 적용 가능한 모든 기준을 검토하십시오. 해당되는 경우 정체성, 얼굴 경계, 포즈 및 표정, 조명, 가림, 기술적 무결성 및 시간적 안정성을 평가하십시오.
- 게이트를 재정의하지 않고 가중치 결과를 읽으십시오. 결과를 사용하여 수정 사항의 우선순위를 정하십시오. 숫자 점수는 해결되지 않은 허가, 매핑 또는 공개 관문을 절대 무시하지 않습니다.
- 완전한 증거 기록을 내보내십시오. JSON 또는 CSV를 다운로드하고 노트를 보관한 후, 비교하려는 각 출력에 대해 동일한 프로토콜을 반복하십시오.
제공자 비교에는 더 많은 증거가 필요합니다: 동일한 허용 입력, 반복된 독립 실행, 여러 검토자, 문서화된 시청 조건 및 통계 보고를 사용하십시오. 하나의 직접 고른 출력은 평균 모델 품질을 설정할 수 없습니다.
증거 경계 및 출처
주관적 검토는 그 한계가 보일 때만 유용합니다.
경계
점수는 검토된 하나의 출력물에 대한 구조화된 인간 관찰이며, 생체 인식 정체성 측정이 아닙니다.
경계
루브릭은 모델 정확도, 평균 품질, 안전성, 속도, 신뢰성 또는 공급자 우월성을 확립하지 않습니다.
경계
높은 점수가 동의, 공개, 법적, 접근성 또는 대상 청중 검토를 대체하지 않습니다.
경계
교차 공급자 주장에는 동일한 입력, 반복 실행, 독립 검토자, 문서화된 시청 조건 및 통계 보고가 필요합니다.
- ITU-R BT.500-15: Methodologies for the subjective assessment of the quality of television images - 문서화된 주관적 이미지 평가를 위한 일반 원칙; DeepSwapAI 루브릭은 ITU 실험실 테스트가 아닙니다.
- ITU-T P.910 (10/2023): Subjective video quality assessment methods for multimedia applications - 문서화된 주관적 멀티미디어 평가를 위한 일반 원칙; DeepSwapAI 루브릭은 실용적인 단일 검토 워크플로입니다.
- Towards High Fidelity Face Swapping: A Comprehensive Survey and New Benchmark - CASIA FaceSwapping 벤치마크를 정의하고 ID, 대상 속성, 분포 및 비디오 일관성 프로토콜을 문서화합니다.
- DreamID-V: Bridging the Image-to-Video Gap for High-Fidelity Face Swapping via Diffusion Transformer - 200쌍 IDBench-V 프로토콜을 소개하고 다중 인코더 ID 유사성, 프레임별 분산, 대상 속성, 비디오 일관성, FVD 및 인간 검토 측정값을 보고합니다.
- CanonSwap: High-Fidelity and Consistent Video Face Swapping via Canonical Space Modulation - 비디오별 ID, 대상 속성, 동기화, 시간적 일관성 및 분포 측정값을 보고합니다.
- Rank-based No-reference Quality Assessment for Face Swapping - 순위가 매겨진 판단에 대해 훈련된 학습된 출력 전용 얼굴 교체 품질 평가를 연구합니다.
- GANs Trained by a Two Time-Scale Update Rule Converge to a Local Nash Equilibrium - 분포 수준 평가 측정값으로 Frechet Inception Distance를 소개합니다.
- DeepSwapAI 통제된 입력 준비 연구 - 생성된 출력 점수가 없는 별도의 입력 전용 증거.
- 버전 관리된 공개 스코어카드 미러 - 공개 연구 저장소의 v1.6.2 사본.
- 체크섬 확인된 오픈 연구 릴리스 - 매니페스트, SHA-256 체크섬, 인용 파일, JSON 및 CSV.
- Software Heritage 저장소 스냅샷 - 독립적으로 보존됨: swh:
1: .snp: f11738615eea 9f999c8709a0 da73130f0426 6209 - DeepSwapAI 주장 검증 방법론 - 제품 사실, 비교 및 증거 경계가 검토되는 방법.
스코어카드 질문
숫자가 설정할 수 있는 것과 설정할 수 없는 것
이 페이지가 내 미디어나 메모를 업로드합니까?
아니요. 페이지에는 미디어 입력이 없으며 스코어카드 컨트롤은 등급이나 메모를 DeepSwapAI로 보내지 않습니다.
이것은 생체 인식 ID 점수입니까?
아니요. 얼굴 인식 정확도나 임베딩 유사성이 아닌, 가시적 출력 특성에 대한 문서화된 인간 관찰입니다.
하나의 점수가 얼굴 교체 제공자를 순위를 매길 수 있습니까?
아니요. 방어 가능한 비교에는 공유 입력, 반복된 출력, 여러 검토자, 통제된 시청 조건 및 통계 보고가 필요합니다.
시간적 안정성이 사진에서 제외되는 이유는 무엇입니까?
정지 이미지에는 프레임 시퀀스가 없습니다. 사진 모드는 6개의 적용 가능한 기준을 90 기본 가중치 포인트에서 100으로 정규화합니다.
루브릭을 재사용할 수 있나요?
예. 게시된 JSON 및 빈 CSV는 CC BY 4.0을 사용하며 필수 귀속 문구와 다운로드 가능한 BibTeX 레코드를 포함합니다.
FID가 하나의 얼굴 교체 출력을 측정할 수 있습니까?
아니요. FID는 생성된 이미지 세트와 참조 이미지 세트의 분포를 비교합니다. 하나의 이미지는 분포가 아닙니다.
ID를 소스 또는 대상과 비교해야 합니까?
ID 검색 및 유사성은 일반적으로 출력을 소스와 비교합니다. 포즈 및 표정 보존은 일반적으로 출력을 대상과 비교합니다.
CASIA FaceSwapping, IDBench-V 및 CanonSwap 값을 직접 비교할 수 있습니까?
아니요. 쌍 구성, 도전 슬라이스, 평가자, 특징 추출기, 프레임 또는 오디오 창, 전처리 및 집계가 다릅니다. 값을 비교하기 전에 하나의 공유 프로토콜을 재현하십시오.
얼굴 교체 시작
허가받은 사진, 일괄, 단체 사진 매핑, 동영상, GIF를 위한 브라우저 기반 AI 얼굴 교체.