6 controlled samples
Reference, reduced resolution, soft focus, low exposure, high exposure, at heavy JPEG compression.
Orihinal na input research
Benchmark ng kahandaan ng input ng pagpapalit ng mukha
Isang owned source image, anim na controlled variants, limang transparent pixel measurements, at zero generated-output claims. Gamitin ang data upang maunawaan kung ano ang masusukat ng isang preflight checker bago mag-upload at kung ano ang hindi nito mahuhulaan.
Direktang sagot
Ito ay isang input stress test, hindi isang AI accuracy leaderboard
Ang eksperimento ay nagbabago ng isang variable family sa bawat pagkakataon sa paligid ng parehong DeepSwapAI-owned source creative. Inilalathala nito ang decoded pixel measurements at exact transformations. Hindi ito nagpapatakbo ng face swap, naghahambing ng mga modelo, nagtatantiya ng identity similarity, o nagdedeklara ng quality winner.
5 pixel measurements
Mean luminance, contrast standard deviation, dark clipping, highlight clipping, at adjacent-edge difference.
0 output claims
Walang generated image, success rate, realism score, identity score, speed result, o product ranking.
Controlled variants
Tingnan ang eksaktong image set sa likod ng mga measurement
Ang bawat plate ay nagmula sa parehong source asset. Ang visual inspection ay nananatiling kinakailangan dahil ang aggregate metrics ay hindi maaaring magpakita ng bawat local artifact.
Measured data
Decoded-pixel measurements sa maximum na 512-pixel analysis side
Ang luminance ay gumagamit ng Rec. 709 coefficients. Ang dark clipping ay nagbibilang ng luminance sa o mas mababa sa 10; ang highlight clipping ay nagbibilang ng luminance sa o mas mataas sa 245. Ang edge difference ay ang mean absolute luminance difference sa kabuuan ng horizontal at vertical neighboring pixels.
| Variant | Dimensions | Mean luminance | Contrast SD | Dark clipped | Light clipped | Edge difference |
|---|---|---|---|---|---|---|
| Reference encode | 960 x 540 | 125.82 | 58.95 | 1.22% | 0% | 7.74 |
| Reduced resolution | 320 x 180 | 126.22 | 58.81 | 1.1% | 0.01% | 10.55 |
| Soft focus | 960 x 540 | 124.8 | 55.19 | 0.16% | 0% | 2.68 |
| Low exposure | 960 x 540 | 57.18 | 30.37 | 9.22% | 0% | 3.87 |
| High exposure | 960 x 540 | 197.15 | 62.53 | 0% | 36.64% | 8.41 |
| Matinding JPEG compression | 960 x 540 | 125.58 | 58.95 | 1.29% | 0.01% | 7.45 |
Mahalaga: ang isang value ay isang measurement, hindi isang universal pass mark. Ang compressed JPEG ay nagpapakita kung bakit: ang global measurements nito ay nananatiling malapit sa reference kahit na ang visual block at ringing artifacts ay maaari pa ring naroroon.
Reproducible method
Exact transformations at immutable file fingerprints
Ang source SHA-256 ay 2f293e48f7d5d6a08ce9ab759a124e00ce92f2a204cd530284ce7d1f0ecc7c3d. Ang bawat output ay na-decode, na-composite sa puti kung kinakailangan, na-resize nang proporsyonal sa hindi hihigit sa 512 pixels sa pinakamahabang side nito, at na-sample sa row order.
Reference encode
I-resize ang owned source sa 960 x 540 at i-encode bilang WebP sa quality 82.
SHA-256: 8c852071b02e03d91eb264655fef14654026fa46dc32e736a2b25c2ab0a1186a
Reduced resolution
I-resize ang parehong source sa 320 x 180 at i-encode bilang WebP sa quality 82.
SHA-256: 955c0e4e97a7af8564b39733b9654d3294abd07fa014c530ca733d8708000cc0
Soft focus
I-resize sa 960 x 540, mag-apply ng Gaussian blur na may sigma 4.5, at i-encode bilang WebP sa quality 82.
SHA-256: e8edf51e0ef2b38916c858fe4aff932b14081d60ebd55552fbfc360586350886
Low exposure
I-resize sa 960 x 540, mag-apply ng y = 0.52x - 8 sa RGB channels, i-clamp sa 8-bit range, at i-encode bilang WebP sa quality 82.
SHA-256: 727172796e3cf8efdefd601d21177321c1bfcfbc458d629a689897aecf442769
High exposure
I-resize sa 960 x 540, mag-apply ng y = 1.35x + 45 sa RGB channels, i-clamp sa 8-bit range, at i-encode bilang WebP sa quality 82.
SHA-256: f2b01d592108fea3bb82e888733d89fb7356c307cda00d6d55d587b422da957b
Matinding JPEG compression
I-resize sa 960 x 540 at i-encode bilang JPEG sa quality 15 na may 4:2:0 chroma subsampling.
SHA-256: cd952c4c50fb78e941a62492e7ef6c3cc2fae96abac7df87aa1f32d4106b97ae
I-download ang kumpletong dataset
Ang JSON at CSV ay naglalaman ng mga formula, scope, limitations, transformations, dimensions, byte sizes, metrics, at SHA-256 fingerprints. Ang BibTeX file ay nagbibigay ng isang stable citation.
GIF loop na ebidensya
Ipinapaliwanag ng pitong reference fixture ang raw loop-seam delta
Inihahambing ng lokal na GIF checker ang una at huling ipinakitang mga canvase pagkatapos ilapat ang mga panuntunan sa pagtatapon ng GIF89a. Ginagawa ng mga fixture na ito na muling gawin ang kalkulasyong iyon: ang mga magkaparehong frame ay may sukat na 0%, ang isang quarter na puting pagbabago ay sumusukat ng 18.75%, ang isang buong black-to-white cut ay sumusukat ng 75%, at ang pagmamay-ari na 27-frame na sample ay sumusukat sa 0.002378%. Ang isang mas mataas na halaga ay maaaring intensyonal na paggalaw o isang hiwa; ito ay hindi isang kalidad na grado.
| Reference case | Canvas | Mga frame | RGBA delta sa seam | Layunin |
|---|---|---|---|---|
| Magkapareho ang una at huling mga frame | 4 × 4 | 2 | 0% | Zero-delta control. |
| Uniform RGB shift ng 32 | 4 × 4 | 2 | 9.411765% | Ipinapakita ang epekto ng isang maliit na pagbabago ng kulay ng buong frame habang ang alpha ay nananatiling pare-pareho. |
| Full-frame na black-to-white cut | 4 × 4 | 2 | 75% | High-delta control para sa isang sinadyang hard cut. |
| Isang-kapat na lokal na puting pagbabago | 4 × 4 | 2 | 18.75% | Pinaghihiwalay ang isang lokal na pagbabago na parang paggalaw mula sa isang full-frame na hiwa. |
| GIF89a restore-to-background na pagtatapon | 2 × 1 | 2 | 37.5% | Bine-verify ang uri ng pagtatapon 2 bago mabuo ang huling patch. |
| GIF89a ibalik-sa-nakaraang pagtatapon | 2 × 1 | 2 | 37.5% | Bine-verify ang uri ng pagtatapon 3 bago ang huling patch ay pinagsama-sama. |
| Pagmamay-ari ng 27-frame na sample ng animation | 320 × 180 | 27 | 0.002378% | Tunay na animated-GIF reference gamit ang mga decoded na frame at GIF89a na mga panuntunan sa pagtatapon. |
Muling gamitin ang paraan, mga fixture, at eksaktong resulta
Ini-publish ng JSON ang formula, semantics ng pagtatapon, mga recipe, hangganan ng ebidensya, mga limitasyon, at ang pagmamay-ari ng sample na fingerprint. Ang CSV ay handa sa pagsusuri at ang BibTeX file ay nagbibigay ng isang matatag na pagsipi.
Subukan ang iyong sariling GIF nang lokal: buksan ang libreng browser-lang GIF preflight. Ang napiling file ay mananatili sa device, walang kinakailangang pag-sign up para sa checker, at ang walang filename na ulat nito na JSON ay gumagamit ng parehong paraan. Hindi nito ginagawang libre o anonymous ang henerasyon ng GIF.
Katalogo ng datos ng pananaliksik
Pitong magagamit muli na asset na may tahasang mga hangganan ng ebidensya
Ang catalog na ito ay nagpapanatili ng mga sukat ng input, GIF loop-boundary evidence, single-output human review, metric selection, official-source product review, API-contract review, at illustration-pixel analysis na hiwalay. Sipiin ang partikular na asset na ginamit mo, ang bersyon nito, at ang canonical URL nito sa halip na maglipat ng claim mula sa isang uri ng ebidensya patungo sa isa pa. Ang website ay kanonikal at naglalathala ng a CFF citation file, 16-Resource Data Package, DCAT 3 na katalogo, at 19-file na SHA-256 na manifest. Ang makasaysayang estado ng repositoryo ng v1.6.2 ay nananatiling independiyenteng napanatili sa isang Software Heritage snapshot na may identifier swh:
Kontroladong benchmark ng kahandaan sa pag-input v1.0.0
Anim na controlled image variants, limang decoded-pixel measurements, exact transformations, file fingerprints, JSON, CSV, at BibTeX. Canonical dataset: deepswapai.com/research.
Mga sangguniang fixture para sa delta ng dugtungan ng GIF loop v1.0.0
Pitong reproducible first-to-last composited-frame case, kabilang ang mga uri ng pagtatapon 2 at 3 kasama ang isang pag-aari na 27-frame na sample. Ang mga halaga ay hilaw na ebidensya, hindi mukha o mga marka ng kalidad. Buksan ang GIF na dataset ng fixture.
Scorecard ng kalidad ng output ng face swap v1.0.0
Isang hiwalay na seven-criterion human-review rubric na may local calculation, reusable JSON at CSV, at explicit limits sa biometric o provider-level claims. Buksan ang scorecard.
Mapa ng desisyon ng sukatan ng pagsusuri ng face swap v1.1.0
9 source-cited evaluation families kasama ang isang 3-protocol research crosswalk, bawat isa ay may explicit inputs, prerequisites, at interpretation boundaries. Walang metric na pinatakbo at walang provider na na-score. Buksan ang metric map.
Landscape ng mga tool sa face swap na naka-check ang pinagmulan v1.0.0
13 normalized product records na sinusuportahan ng 66 kasalukuyang official-source URLs, na may visible unknowns at walang output-quality ranking. Buksan ang comparison dataset.
Landscape ng kontrata ng face swap API v1.0.0
6 normalized API records na sinusuportahan ng 21 kasalukuyang official-source URLs. Pinapanatili nito ang mga incompatible price units at official-source conflicts nang hindi nagpapatakbo ng generation request o nagra-rank ng mga provider. Buksan ang API contract dataset.
Audit ng opisyal na demonstration panel v1.0.0
Tatlong aligned decoded-pixel regions, exact crop coordinates, formulas, source fingerprint, JSON, CSV, at BibTeX. Sinusukat nito ang isang illustration at hindi nag-score ng isang generated output. Buksan ang before-and-after audit.
I-download ang canonical research catalog
Inilalarawan ng JSON-LD ang lahat ng pitong dataset, ang kanilang mga hangganan ng ebidensya, canonical record, lisensya, pagsipi, at pamamahagi. Ang CSV ay nagbibigay ng parehong imbentaryo para sa mga tool sa tabular.
Citation at reuse: silahin ang “DeepSwapAI Controlled Image Input-Readiness Benchmark v1, https://deepswapai.com/research”. Ang JSON, CSV, formulas, transformations, at measurement metadata ay gumagamit CC BY 4.0. Ang mga sangguniang sample na imahe ay nananatiling pag-aari ng DeepSwapAI at hindi muling lisensyado para sa hindi kaugnay na paggamit.
Hangganan ng interpretasyon
Ano ang itinatag ng eksperimento at kung ano ang nananatiling hindi alam
Ang resolusyon ay tahasang
Ang mga sukat ng pixel at laki ng file ay eksaktong katangian. Ang pagpapalaki ng isang maliit na imahe ay nagbabago ng mga sukat ngunit hindi maaaring muling buuin ang nawawalang detalye ng pagkakakilanlan.
Ang exposure ay nag-iiwan ng nasusukat na clipping
Ang kontroladong bright variant ay naglalantad ng 36.64% ng mga sample na pixel sa highlight-clipping range. Iyon ay nagtatatag ng nawawalang input range, hindi isang hinulaang output defect.
Ang blur ay nagpapababa ng lokal na pagbabago sa gilid
Ang soft-focus variant ay nagbabawas ng adjacent-edge difference mula 7.74 hanggang 2.68. Ang sukatan ay scene-wide at hindi naghihiwalay ng isang mukha.
Ang compression ay nangangailangan ng visual na pagsusuri
Ang mabigat na JPEG compression ay maaaring mapanatili ang global averages habang lumilikha ng mga lokal na artifact. Ang isang technical preflight ay hindi dapat gawing maling quality score ang ilang sukatan.
Mga limitasyon: Ang isang source scene ay hindi isang populasyon. Ang analyzer ay hindi nakakakita ng mga mukha, pagkakakilanlan, pahintulot, pose, ekspresyon, tingin, buhok, occlusion, o pag-uugali ng modelo. Hindi nito mahuhulaan ang pagiging makatotohanan, katumpakan, tagumpay ng pagproseso, kagustuhan, o huling kalidad ng export.
Mula sa input evidence hanggang sa output review
Gumamit ng hiwalay na protocol pagkatapos ng generation
Ang input measurements at output observations ay sumasagot sa magkaibang mga tanong. Pagkatapos makabuo ng isang kinatawan na resulta, gamitin ang face swap quality scorecard upang idokumento ang pagkakakilanlan, blending, pose, lighting, occlusion, technical integrity, at temporal stability nang hindi ginagawang model-wide claim ang isang output.
Mga tanong sa pananaliksik
Mga sagot nang hindi pinalalaki ang ebidensya
Sinusukat ba ng benchmark na ito ang face swap output quality?
Hindi. Sinusukat lamang nito ang mga controlled input-image properties. Walang face swap output na nabuo, na-score, o inihambing.
Maaari ba nitong mahulaan ang isang makatotohanang resulta?
Hindi. Ang mga sukat ay hindi nagmamasid sa generation model, pagkakakilanlan, pose, ekspresyon, occlusion, o output.
Bakit maglathala ng isang naka-compress na sample na mukhang katulad sa talahanayan?
Dahil inilalantad nito ang isang tunay na limitasyon: ang global aggregate measurements ay maaaring makaligtaan ng mga lokal na JPEG artifact.
Saan ko masusubok ang aking sariling imahe?
Gamitin ang local readiness checker. Inilalapat nito ang parehong limang measurement definitions sa iyong browser nang hindi ina-upload ang napiling imahe.
Paano ko masisipi o magagamit muli ang data?
Gamitin ang nada-download na BibTeX record o ang nakikitang attribution statement. Ang measurement data at metadata ay gumagamit ng CC BY 4.0; ang mga sangguniang sample na imahe ay nananatiling pag-aari ng DeepSwapAI.
Sukatin ang iyong sariling input nang hindi ito ina-upload
Buksan ang local checker, suriin ang bawat sukatan at babala, pagkatapos ay gawin ang pinakamaliit na kinatawan na generation test.