Free human-review protocol
Bedömningstabell för ansiktsbyteskvalitet för foton, videor och GIF
Betygsätt en genererad utgång med sju synliga kriterier, tre kritiska publiceringsgrindar och en transparent viktad formel. Mappa sedan granskningen till nio metriska familjer och tre publicerade videobenchmark-protokoll utan att behandla inkompatibla poäng som likvärdiga.
Direkt svar
Ett ansiktsbyteskvalitetsbetyg behöver synliga kriterier och en bevisgräns
Denna bedömningstabell strukturerar en mänsklig granskning av en specifik utgång. Den inspekterar inte ett ansikte biometriskt, förutsäger inte ett osett resultat eller förvandlar ett gynnsamt prov till ett påstående om en hel modell eller leverantör.
Interactive evaluation
Betygsätt en utgång med samma standard
Välj mediatyp, slutför grindarna, betygsätt varje tillämpligt kriterium och behåll en kort bevisanteckning för allt en annan granskare borde kunna hitta.
Rating anchors
Använd samma 0-till-4-betydelse för varje kriterium
Skalan beskriver den starkaste defekten som observerats i det provtagna materialet för det kriteriet. Det är inte en konfidenspoäng, sannolikhet eller biometrisk mätning.
| Betyg | Ankare | Definition |
|---|---|---|
| 0 | Oanvändbar | Ett fel eller allvarlig defekt förhindrar den avsedda användningen. |
| 1 | Stor defekt | En tydligt synlig defekt dominerar normal visning. |
| 2 | Märkbar defekt | En defekt är fortfarande lätt att märka och behöver riktad korrigering. |
| 3 | Mindre defekt | En liten defekt är synlig vid granskning men dominerar inte normal visning. |
| 4 | Ingen väsentlig defekt observerad | Ingen väsentlig defekt observerades i det samplade resultatet för detta kriterium. |
Rubrikens dimensioner
Vikter är explicita och rörelse poängsätts endast när rörelse finns
Video och GIF använder alla 100 basvikts-poäng. Foto exkluderar temporal stabilitet och normaliserar de återstående 90 poängen till ett 100-poängsresultat.
| Kriterium | Basvikt | Media | Granskningsfråga |
|---|---|---|---|
| Identitetsbevarande | 24% | foto, video, gif | Är de synliga ögonen, ögonbrynen, näsan, munnen, käken, ålderssignalerna och den övergripande identiteten sammanhängande med den avsedda referensen? |
| Ansiktsgräns och blandning | 16% | foto, video, gif | Övergår hudstruktur, ansiktskanter, öron, käke, hårfäste och nacke smidigt in i målscenen utan en påklistrad gräns? |
| Positions- och uttryckskoherens | 14% | foto, video, gif | Förblir ansiktsgeometrin koherent med målhuvudets vinkel, blick, ögonstatus, munform och uttryck? |
| Ljus- och färgkontinuitet | 14% | foto, video, gif | Förblir exponering, färg, hudskuggning, högdagrar och skuggor konsekventa med målsituationen? |
| Ocklusions- och accessoarkontinuitet | 12% | foto, video, gif | Förblir hår, händer, glasögon, masker, mikrofoner, förgrundsobjekt och andra ocklusioner i korrekt visuell ordning? |
| Technical integrity | 10% | foto, video, gif | Är utgången fri från materiell oskärpa, ringning, blockartefakter, rivning, dubbla egenskaper, abrupta texturförändringar eller skadade bildrutor? |
| Temporal stability | 10% | video, gif | Förblir identiteten stabil över rörelse utan flimmer, drift, ansiktsförlust, plötsliga geometriförändringar eller en synlig loop-söm? |
Ladda ner det återanvändbara protokollet
JSON innehåller den fullständiga skalan, grindar, kriterier, formel, beslutband, bevisgränser, licens och referenser. CSV är en tom granskningsmall med sju rader, och BibTeX-filen ger en stabil citering.
Automatiserad benchmarkkarta
Kvalitetsmått för ansiktsbyte svarar på olika frågor
En försvarbar benchmark håller källidentitetsöverföring, målattributbevarande, bild- och videodistributionsrealism, bild-till-bild-beteende, endast-utdata-bedömning och mänsklig granskning åtskilda. Den versionshanterade beslutskartan namnger vad varje familj jämför och vilket protokoll som behövs innan ett värde kan tolkas.
| Mått | Jämför | Använd | Gräns |
|---|---|---|---|
| Identitetsåtervinning eller inbäddningslikhet | Källidentitet kontra det bytta resultatet, med en namngiven ansiktskodare eller källgalleri. | Hur starkt behåller utdata källidentitetsbevis under den fasta utvärderaren? Högre likhet eller sökprestanda är vanligtvis bättre inom samma protokoll. | Kodaren, beskärningen, galleriet, demografin, tröskeln och förbehandlingen påverkar värdet. Det är inte ett biometriskt utslag för en person. |
| Bildruta-för-bildruta identitetslikhetsstabilitet | Sekvensen av käll-till-utdata identitetslikheter över detekterade utdataramar under en namngiven ansiktskodare. | Förblir källidentitetsbevis stabilt när posé, uttryck, ocklusion och scenförhållanden förändras över tid? Lägre spridning kan indikera större stabilitet endast när medelidentitetslikheten eller sökresultatet rapporteras bredvid. | En konsekvent felaktig identitet kan ha låg varians. Spridning kan inte ersätta medellikhet eller sökning, och värden är inte portabla över kodare eller rampipelines. |
| Pose and expression error | Målposé- eller uttrycksskattningar kontra det bytta resultatet under en namngiven skattare. | Hur noggrant bevarar utdata målhuvudets posé och uttryck under den fasta skattaren? Lägre fel är vanligtvis bättre inom samma skattare och parameterisering. | Värden är inte portabla över olika skattare, beskärningar, parameterutrymmen, landmärkeskonventioner eller förbehandlingspipelines. |
| Frechet Inception Distance (FID) | En distribution av genererade bilder eller ramar kontra en dokumenterad referensdistribution. | Hur nära är två egenskapsdistributioner under den fasta egenskapsextraktorn och provtagningsprotokollet? Lägre är bättre endast inom samma dataset, extraktor, förbehandling och provprotokoll. | Ett ansiktsbytesutdata kan inte ha ett försvarbart FID eftersom en enskild bild inte är en distribution. FID isolerar inte identitetskorrekthet. |
| Frechet Video Distance (FVD) | En distribution av genererade videoklipp kontra en dokumenterad referensklippdistribution under en namngiven videoegenskapsextraktor. | Hur nära är genererade och referensvideoegenskapsdistributioner under ett fast klipp-provtagningsprotokoll? Lägre är bättre endast inom samma dataset, egenskapsextraktor, klipplängd, bildhastighet, förbehandling och provprotokoll. | Ett utdataklipp är inte ett försvarbart distributionsnivå-FVD-resultat. FVD isolerar inte källidentitet, målattributbevarande, läppsynkronisering eller en specifik temporal defekt. |
| Subjekt- och bakgrundskonsistens | Egenskapskonsistens över utdataramar och mot föregående, mål- eller referensramar. | Hur stabila är motiv- och bakgrundsegenskaper genom rörelse under det fasta videoprotokollet? Högre konsistens är vanligtvis bättre under samma implementering. | Konsistens ensam kan inte etablera korrekt identitetsmappning, visuell realism, rörelsenoggrannhet eller publiceringsberedskap. |
| Blick, ögonöppning, läppsynk och rörelsediagnostik | Namngivet ögon-, ljud-läpp-, landmärkes- eller optiskt flödesbeteende mellan mål- och utdatasekvenser. | Vilka specifika dynamiska målattribut förblir synkroniserade genom den genererade videon? Riktning och enhet beror på den namngivna diagnostiken; rapportera varje separat. | Dessa diagnostiker är inte utbytbara, behöver ett dokumenterat videoprotokoll och gäller inte för varje mediatyp. |
| Inlärd ingen-referens kvalitetsbedömning | Utdata ensamt, utvärderat av en modell tränad mot rankade mänskliga bedömningar eller märkt kvalitetsdata. | Hur rankar en tränad bedömare synlig utdatakvalitet när explicita referensmedia inte är tillgängliga? Riktning beror på modellens utdata; validera den på en dokumenterad hållen distribution. | Prestanda beror på träningsdata och valideringsomfång. En endast-utdata-poäng kan inte etablera korrekt källidentitetsöverföring av sig själv. |
| Structured human scorecard | Ett synligt utdata mot explicita defektankare, publiceringsgrindar och granskningsanteckningar. | Vilka synliga defekter eller olösta användningsgrindar observerar en granskare i detta specifika utdata? Använd förankrade ordinalbetyg; omtolka inte resultatet som en sannolikhet eller biometrisk poäng. | Subjektivt bevis om det granskade provet, inte modellnoggrannhet, leverantörsranking, sannolikhet eller biometrisk likhet. |
Publicerade benchmarkprotokoll är inte utbytbara
Korsreferensen nedan registrerar endast de uppsättningar som beskrivs av primärartiklarna. Den kopierar inte deras resultattabeller, påstår inte att varje dataset är nedladdningsbar eller omvandlar värden från olika utvärderare till en ledartavla.
| Protokoll och källa | Jämförelseenhet | Rapporterade mått | Jämförbarhetsgräns |
|---|---|---|---|
| CASIA FaceSwapping | Käll-mål-videopar sammansatta under tre faktor-isoleringsprotokoll. Normal: 4 500 icke-överlappande par av samma etnicitet från normala inspelningar. Kors-etnicitet: 1 200 par som spänner över båda riktningarna mellan asiatiska, afrikanska och kaukasiska grupper. Kors-attribut: 4 300 par som spänner över normala och posé-, uttrycks- eller belysningsvariationer i båda riktningarna. | identitetsökning, identitetslikhet, poséfel, uttrycksfel, FID, motivkonsistens, bakgrundskonsistens. Inget mänskligt granskningsprotokoll sammanfattas i denna korsreferens. | De tre skivorna isolerar olika faktorer inom CASIA-uppsättningen. Deras värden beror på den artikelns parkonstruktion, modeller, egenskapsextraktorer, upplösningar och aggregering. |
| IDBench-V | 200 artikelrapporterade verkliga källvideo- och målbildspar. En 200-pars utvärderingsuppsättning som täcker små ansikten, extrema huvudposéer, svåra ocklusioner, komplexa eller dynamiska uttryck och röriga scener med flera personer. | ArcFace identitetslikhet, InsightFace identitetslikhet, CurricularFace identitetslikhet, bildrutevis identitetslikhetsvarians, poséfel, uttrycksfel, bakgrundskonsistens, motivkonsistens, rörelsejämnhet, FVD. Artikeln rapporterar 19 utvärderare med 1-till-5-betyg för identitetslikhet, attributbevarande och videokvalitet. | Raden registrerar endast det artikelrapporterade protokollet. Den hävdar inte offentlig nedladdningstillgänglighet, återger inte ett resultat eller gör dess värden portabla till en annan benchmark. |
| CanonSwap VFS benchmark | 100 käll-mål-par samplade från VFHQ; varje mål använder de första 100 bildrutorna och fyra sekunder av motsvarande ljud. En 100-pars videoansiktsbytesutvärderingsuppsättning med fasta bildrute- och ljudfönster. | identitetslikhet, identitetsökning, poséfel, uttrycksfel, blickfel, ögonaspektkvotfel, LSE-D, LSE-C, optiskt flöde temporal konsistens, FVD. Inget mänskligt granskningsprotokoll sammanfattas i denna korsreferens. | Protokollet använder artikelspecifika bildrute-, ljud-, skattar- och egenskapsextraktorsval. Dess värden får inte jämföras direkt med IDBench-V- eller CASIA-värden. |
Ladda ner den metriska besluts kartan
JSON bevarar alla 9 metriska familjer, 3-protokollskorsreferensen, förutsättningar, tolkningsriktningar, bevisgränser och primära källor. CSV innehåller den metriska familjetabellen; BibTeX-posten ger stabil tillskrivning.
Använd rätt bevis för beslutet: automatiserade mått behöver en fast dataset, utvärderare, förbehandlingspipeline, provantal och upprepade utdata. Detta lokala poängkort registrerar synliga defekter i ett granskat resultat och imiterar medvetet inte en automatiserad benchmark.
Femstegs utvärderingsprotokoll
Gör varje granskning tillräckligt reproducerbar för att en annan person ska kunna inspektera
- Välj utdatatyp och identifiera provet. Välj foto, video eller GIF och registrera en providentifierare, granskare och granskningsdatum.
- Bekräfta de tre kritiska publiceringsgrindarna. Bekräfta tillstånd, verifiera den avsedda identitetsmappningen och granska om ett AI-innehållsavslöjande behövs.
- Granska varje tillämpligt kriterium. Betygsätt identitet, ansiktsgräns, position och uttryck, ljus, ocklusion, teknisk integritet och temporal stabilitet där tillämpligt.
- Läs det viktade resultatet utan att åsidosätta grindarna. Använd resultatet för att prioritera korrigeringar. Ett numeriskt betyg åsidosätter aldrig olösta tillstånds-, mappnings- eller avslöjandegrindar.
- Exportera den fullständiga bevisposten. Ladda ner JSON eller CSV, behåll anteckningar och upprepa samma protokoll för varje utgång du avser att jämföra.
Leverantörsjämförelser behöver mer bevis: använd identiska tillåtna indata, upprepade oberoende körningar, flera granskare, dokumenterade visningsförhållanden och statistisk rapportering. Ett handplockat utdata kan inte etablera genomsnittlig modellkvalitet.
Bevisgräns och källor
Subjektiv granskning är användbar endast när dess gränser är synliga
Gräns
Betyget är en strukturerad mänsklig observation av en granskad utgång, inte ett biometriskt identitetsmått.
Gräns
Bedömningsmallen fastställer inte modellnoggrannhet, genomsnittlig kvalitet, säkerhet, hastighet, tillförlitlighet eller leverantörsöverlägsenhet.
Gräns
Ett högt betyg ersätter inte samtycke, avslöjande, juridisk, tillgänglighets- eller målgruppsspecifik granskning.
Gräns
Ett påstående mellan leverantörer kräver samma indata, upprepade körningar, oberoende granskare, dokumenterade visningsförhållanden och statistisk rapportering.
- ITU-R BT.500-15: Methodologies for the subjective assessment of the quality of television images - Allmänna principer för dokumenterad subjektiv bildbedömning; DeepSwapAI-rubriken är inte ett ITU-laboratorietest.
- ITU-T P.910 (10/2023): Subjective video quality assessment methods for multimedia applications - Allmänna principer för dokumenterad subjektiv multimedia-bedömning; DeepSwapAI-rubriken är ett praktiskt enkelgranskningsarbetsflöde.
- Towards High Fidelity Face Swapping: A Comprehensive Survey and New Benchmark - Definierar CASIA FaceSwapping-benchmarken och dokumenterar identitets-, målattribut-, distributions- och videokonsistensprotokoll.
- DreamID-V: Bridging the Image-to-Video Gap for High-Fidelity Face Swapping via Diffusion Transformer - Introducerar 200-pars IDBench-V-protokollet och rapporterar multi-kodar identitetslikhet, bildrutevis varians, målattribut-, videokonsistens-, FVD- och mänskliga granskningsmått.
- CanonSwap: High-Fidelity and Consistent Video Face Swapping via Canonical Space Modulation - Rapporterar videospecifika identitets-, målattribut-, synkroniserings-, temporal konsistens- och distributionsmått.
- Rank-based No-reference Quality Assessment for Face Swapping - Studerar inlärd endast-utdata ansiktsbyteskvalitetsbedömning tränad mot rankade bedömningar.
- GANs Trained by a Two Time-Scale Update Rule Converge to a Local Nash Equilibrium - Introducerar Frechet Inception Distance som ett distributionsnivåutvärderingsmått.
- DeepSwapAI kontrollerad indata-beredskapsforskning - separera endast-indata-bevis utan genererad utdatapoäng.
- Kanonisk poängkortsdatauppsättning - aktuell JSON publicerad av den kanoniska webbplatsen.
- Forskningsmanifest med verifierad kontrollsumma - Bytestörlekar och SHA-256-kontrollsummor för 17 kanoniska filer.
- Historisk programvaruarvsögonblicksbild av arkiv - tillståndet v1.6.2 bevaras oberoende som swh:
1: .snp: f11738615eea 9f999c8709a0 da73130f0426 6209 - DeepSwapAI verifieringsmetodik för påståenden - hur produktfakta, jämförelser och bevisgränser granskas.
Poängkortsfrågor
Vad numret kan och inte kan etablera
Laddar denna sida upp min media eller anteckningar?
Nej. Sidan har ingen mediainmatning, och poängkortskontroller skickar inte betyg eller anteckningar till DeepSwapAI.
Är detta en biometrisk identitetspoäng?
Nej. Det är en dokumenterad mänsklig observation av synliga utdataegenskaper, inte ansiktsigenkänningsnoggrannhet eller inbäddningslikhet.
Kan en poäng rangordna ansiktsbytesleverantörer?
Nej. En försvarbar jämförelse behöver delade indata, upprepade utdata, flera granskare, kontrollerade visningsförhållanden och statistisk rapportering.
Varför är temporal stabilitet exkluderad från foton?
En stillbild har ingen bildrutessekvens. Fotomod normaliserar de sex tillämpliga kriterierna från 90 basvikts-poäng till 100.
Can I reuse the rubric?
Ja. Den publicerade JSON och tomma CSV använder CC BY 4.0 och inkluderar den nödvändiga tillskrivningsförklaringen och en nedladdningsbar BibTeX-post.
Kan FID mäta ett ansiktsbytesutdata?
Nej. FID jämför distributioner av genererade och referensbilduppsättningar. En bild är inte en distribution.
Bör identitet jämföras med källan eller målet?
Identitetsökning och likhet jämför normalt utdata med källan. Posé- och uttrycksbevarande jämför normalt utdata med målet.
Kan CASIA FaceSwapping-, IDBench-V- och CanonSwap-värden jämföras direkt?
Nej. Deras parkonstruktion, utmaningsskivor, utvärderare, egenskapsextraktorer, bildrute- eller ljudfönster, förbehandling och aggregering skiljer sig. Återskapa ett delat protokoll innan du jämför värden.
Generera det minsta representativa utdata först
Välj ett tillåtet mål och identitetsreferens, generera ett representativt resultat, återvänd sedan för att poängsätta det innan du skalar en batch eller ett långt klipp.