6 kontrollerade prov
Referens, reducerad upplösning, mjukt fokus, låg exponering, hög exponering och tung JPEG-komprimering.
Original indataforskning
Benchmark för indataberäkningsberedskap för ansiktsbyte
En ägd källbild, sex kontrollerade varianter, fem transparenta pixelmätningar och noll påståenden om genererade utdata. Använd datan för att förstå vad en förkontrollant kan mäta före uppladdning och vad den inte kan förutsäga.
Direkt svar
Detta är ett indatastresstest, inte en AI-noggrannhetsliga
Experimentet ändrar en variabelfamilj i taget runt samma DeepSwapAI-ägda källkreativ. Det publicerar avkodade pixelmätningar och exakta transformationer. Det kör inte ett ansiktsbyte, jämför inte modeller, uppskattar inte identitetslikhet eller förklarar en kvalitetsvinnare.
5 pixelmätningar
Medelluminans, kontraststandardavvikelse, mörkerklippning, högdagerklippning och skillnad mellan intilliggande kanter.
0 utdatapåståenden
Ingen genererad bild, framgångsfrekvens, realismpoäng, identitetspoäng, hastighetsresultat eller produktrankning.
Kontrollerade varianter
Se den exakta bilduppsättningen bakom mätningarna
Varje platta härrör från samma källtillgång. Visuell inspektion förblir nödvändig eftersom aggregerade mätvärden inte kan visa varje lokal artefakt.
Uppmätta data
Avkodade pixelmätningar vid en maximal analyssida på 512 pixlar
Luminans använder Rec. 709-koefficienter. Mörkerklippning räknar luminans vid eller under 10; högdagerklippning räknar luminans vid eller över 245. Kantdifferens är den genomsnittliga absoluta luminansskillnaden över horisontella och vertikala närliggande pixlar.
| Variant | Dimensioner | Genomsnittlig luminans | Kontrast SD | Mörkerklippt | Ljus klippt | Kantdifferens |
|---|---|---|---|---|---|---|
| Referenskodning | 960 x 540 | 125.82 | 58.95 | 1.22% | 0% | 7.74 |
| Reducerad upplösning | 320 x 180 | 126.22 | 58.81 | 1.1% | 0.01% | 10.55 |
| Mjukt fokus | 960 x 540 | 124.8 | 55.19 | 0.16% | 0% | 2.68 |
| Låg exponering | 960 x 540 | 57.18 | 30.37 | 9.22% | 0% | 3.87 |
| Hög exponering | 960 x 540 | 197.15 | 62.53 | 0% | 36.64% | 8.41 |
| Tung JPEG-komprimering | 960 x 540 | 125.58 | 58.95 | 1.29% | 0.01% | 7.45 |
Viktigt: ett värde är en mätning, inte ett universellt godkänt märke. Den komprimerade JPEG visar varför: dess globala mätningar förblir nära referensen även om visuella block- och ringartefakter fortfarande kan finnas.
Reproducerbar metod
Exakta transformationer och oföränderliga filfingeravtryck
Källans SHA-256 är 2f293e48f7d5d6a08ce9ab759a124e00ce92f2a204cd530284ce7d1f0ecc7c3d. Varje utdata avkodas, kompositeras över vitt vid behov, storleksändras proportionellt till högst 512 pixlar på dess längsta sida och samplas i radordning.
Referenskodning
Ändra storlek på den ägda källan till 960 x 540 och koda som WebP med kvalitet 82.
SHA-256: 8c852071b02e03d91eb264655fef14654026fa46dc32e736a2b25c2ab0a1186a
Reducerad upplösning
Ändra storlek på samma källa till 320 x 180 och koda som WebP med kvalitet 82.
SHA-256: 955c0e4e97a7af8564b39733b9654d3294abd07fa014c530ca733d8708000cc0
Mjukt fokus
Ändra storlek till 960 x 540, applicera en Gaussisk oskärpa med sigma 4.5, och koda som WebP med kvalitet 82.
SHA-256: e8edf51e0ef2b38916c858fe4aff932b14081d60ebd55552fbfc360586350886
Låg exponering
Ändra storlek till 960 x 540, applicera y = 0.52x - 8 på RGB-kanaler, kläm till 8-bitars intervall, och koda som WebP med kvalitet 82.
SHA-256: 727172796e3cf8efdefd601d21177321c1bfcfbc458d629a689897aecf442769
Hög exponering
Ändra storlek till 960 x 540, applicera y = 1.35x + 45 på RGB-kanaler, kläm till 8-bitars intervall, och koda som WebP med kvalitet 82.
SHA-256: f2b01d592108fea3bb82e888733d89fb7356c307cda00d6d55d587b422da957b
Tung JPEG-komprimering
Ändra storlek till 960 x 540 och koda som JPEG med kvalitet 15 och 4:2:0 krominanssubsampling.
SHA-256: cd952c4c50fb78e941a62492e7ef6c3cc2fae96abac7df87aa1f32d4106b97ae
Ladda ner hela datasetet
JSON och CSV innehåller formlerna, omfattningen, begränsningarna, transformationerna, dimensionerna, bytestorlekarna, mätvärdena och SHA-256-fingeravtrycken. BibTeX-filen ger en stabil citation.
GIF loopbevis
Sju referensfixturer förklarar det råa loop-sömdeltatet
Den lokala GIF-kontrollen jämför de första och senast visade dukarna efter att ha tillämpat GIF89a-avfallsreglerna. Dessa fixturer gör den beräkningen reproducerbar: identiska ramar mäter 0 %, en fjärdedels vit förändring mäter 18,75 %, ett helt svart-till-vitt snitt mäter 75 % och det ägda provet med 27 bildrutor mäter 15,835339 %. Ett högre värde kan vara avsiktlig rörelse eller ett snitt; det är inte ett kvalitetsbetyg.
| Referensfall | Canvas | Ramar | RGBA söm delta | Syfte |
|---|---|---|---|---|
| Identiska första och sista ramar | 4 × 4 | 2 | 0% | Noll-delta kontroll. |
| Enhetlig RGB-förskjutning med 32 | 4 × 4 | 2 | 9.411765% | Visar effekten av en liten färgförändring i hela bilden medan alfa förblir konstant. |
| Helformat svart-till-vitt snitt | 4 × 4 | 2 | 75% | Högdeltakontroll för ett avsiktligt hårt snitt. |
| En fjärdedel lokal vit förändring | 4 × 4 | 2 | 18.75% | Skiljer en lokal rörelseliknande förändring från en helbildsklippning. |
| GIF89a återställning till bakgrundshantering | 2 × 1 | 2 | 37.5% | Verifierar avfallshantering typ 2 innan det slutliga plåstret är sammansatt. |
| GIF89a återställ till tidigare kassering | 2 × 1 | 2 | 37.5% | Verifierar avfallshantering typ 3 innan det slutliga plåstret är sammansatt. |
| Ägde animationsexempel med 27 bildrutor | 320 × 180 | 27 | 0.002378% | Riktig animerad GIF-referens med avkodade ramar och GIF89a-avfallsregler. |
Återanvänd metoden, fixturer och exakta resultat
JSON publicerar formeln, bortskaffningssemantik, recept, bevisgräns, begränsningar och det ägda provfingeravtrycket. CSV är analysklar och BibTeX-filen ger en stabil hänvisning.
Prova din egen GIF lokalt: öppna gratis GIF preflight endast för webbläsare. Den valda filen stannar på enheten, ingen registrering krävs för kontrollören och dess filnamnsfria JSON-rapport använder samma metod. Detta gör inte GIF-generationen fri eller anonym.
Forskningsdatakatalog
Sju återanvändbara tillgångar med tydliga bevisgränser
Den här katalogen håller indatamätningar, GIF loop-gränsbevis, enstaka utdata mänsklig granskning, metriskt urval, officiell källa produktgranskning, API-kontrakt granskning och illustration-pixel analys separat. Ange den specifika tillgång du använde, dess version och dess kanoniska URL istället för att överföra ett påstående från en bevistyp till en annan. Webbplatsen är kanonisk och publicerar en CFF-citationsfil, Datapaket med 16 resurser, DCAT 3-katalog, och 19-fils SHA-256-manifest. Den historiska v1.6.2-repositoryns tillstånd bevaras oberoende i en Software Heritage-ögonblicksbilden med identifierare swh:
Kontrollerad indataberäkningsberedskapsbenchmark v1.0.0
Sex kontrollerade bildvarianter, fem avkodade pixelmätningar, exakta transformationer, filfingeravtryck, JSON, CSV och BibTeX. Kanoniskt dataset: deepswapai.com/research.
GIF slingsöm delta referensfixturer v1.0.0
Sju reproducerbara först-till-sista sammansatta ramar, inklusive avfallshanteringstyperna 2 och 3 plus ett ägt 27-ramars prov. Värdena är råbevis, inte ansikte eller kvalitetspoäng. Öppna GIF fixturdataset.
Poängkort för utdatakvalitet för ansiktsbyte v1.0.0
En separat sju-kriterium mänsklig granskningsrubrik med lokal beräkning, återanvändbara JSON och CSV, och explicita gränser för biometriska eller leverantörsnivåpåståenden. Öppna granskningsmallen.
Beslutskarta för utvärderingsmetrik för ansiktsbyte v1.1.0
9 källciterade utvärderingsfamiljer plus en 3-protokolls forskningskorsreferens, var och en med explicita indata, förutsättningar och tolkningsgränser. Ingen metrik körs och ingen leverantör poängsätts. Öppna metrikkartan.
Källkontrollerad landskap för ansiktsbytesverktyg v1.0.0
13 normaliserade produktposter som backas upp av 66 aktuella officiella käll-URL:er, med synliga okända och ingen rangordning av utdatakvalitet. Öppna jämförelsedatasetet.
Landskap för API-kontrakt för ansiktsbyte v1.0.0
6 normaliserade API-poster som backas upp av 21 aktuella officiella käll-URL:er. Det bevarar inkompatibla prisenheter och officiella källkonflikter utan att köra en generationsförfrågan eller rangordna leverantörer. Öppna API-kontraktsdatasetet.
Revision av officiell demonstrationspanel v1.0.0
Tre justerade avkodade pixelregioner, exakta beskärningskoordinater, formler, källfingeravtryck, JSON, CSV och BibTeX. Den mäter en illustration och poängsätter inte en genererad utdata. Öppna före-och-efter-revisionen.
Ladda ner den kanoniska forskningskatalogen
JSON-LD beskriver alla sju datauppsättningar, deras bevisgränser, kanoniska register, licenser, citeringar och distributioner. CSV tillhandahåller samma inventering för tabellverktyg.
Citering och återanvändning: citera “DeepSwapAI Controlled Image Input-Readiness Benchmark v1, https://deepswapai.com/research”. The JSON, CSV, formler, transformationer och mätmetadata använder CC BY 4.0. Refererade exempelbilder förblir DeepSwapAI-ägda och är inte återlicensierade för orelaterad återanvändning.
Tolkningsgräns
Vad experimentet fastställer och vad som förblir okänt
Upplösning är explicit
Pixelmått och filstorlek är exakta egenskaper. Uppskalning av en liten bild ändrar dimensioner men kan inte rekonstruera saknade identitetsdetaljer.
Exponering lämnar mätbar klippning
Den kontrollerade ljusa varianten movar 36,64 % av samplade pixlar till högdagerklippningsområdet. Det fastställer förlorat inmatningsomfång, inte en förutsagd utmatningsdefekt.
Oskärpa sänker lokal kantförändring
Mjukfokusvarianten minskar skillnaden mellan intilliggande kanter från 7,74 till 2,68. Måttet är scenövergripande och isolerar inte ett ansikte.
Komprimering kräver visuell granskning
Tung JPEG-komprimering kan bevara globala medelvärden samtidigt som den skapar lokala artefakter. En teknisk förhandsgranskning får inte förvandla några få mätvärden till ett falskt kvalitetsbetyg.
Begränsningar: en källscen är inte en population. Analysatorn upptäcker inte ansikten, identitet, samtycke, pose, uttryck, blick, hår, ocklusion eller modellbeteende. Den kan inte förutsäga realism, noggrannhet, bearbetningsframgång, preferens eller slutgiltig exportkvalitet.
Från inmatningsbevis till utmatningsgranskning
Använd ett separat protokoll efter generering
Inmatningsmätningar och utmatningsobservationer besvarar olika frågor. Efter att ha genererat ett representativt resultat, använd ansiktsbyteskvalitetskortet för att dokumentera identitet, blandning, pose, belysning, ocklusion, teknisk integritet och temporal stabilitet utan att förvandla en utmatning till ett modellövergripande påstående.
Forskningsfrågor
Svar utan att överdriva bevisen
Mäter denna benchmark utdatakvalitet för ansiktsbyte?
Nej. Den mäter endast kontrollerade egenskaper hos indatabilder. Inget ansiktsbyte genererades, poängsattes eller jämfördes.
Kan det förutsäga ett realistiskt resultat?
Nej. Mätningarna observerar inte generationsmodellen, identiteten, posen, uttrycket, ocklusionen eller utmatningen.
Varför publicera ett komprimerat sampel som ser likadant ut i tabellen?
För att det exponerar en verklig begränsning: globala aggregerade mätningar kan missa lokala JPEG-artefakter.
Var kan jag testa min egen bild?
Använd den lokala beredskapskontrollen. Den tillämpar samma fem mätdefinitioner i din webbläsare utan att ladda upp den valda bilden.
Hur kan jag citera eller återanvända datan?
Använd den nedladdningsbara BibTeX-posten eller den synliga tillskrivningssatsen. Mätdata och metadata använder CC BY 4.0; refererade exempelbilder förblir DeepSwapAI-ägda.
Mät din egen inmatning utan att ladda upp den
Öppna den lokala kontrollen, inspektera varje mätvärde och varning, gör sedan det minsta representativa generationstestet.