DeepSwapAI

مفت انسانی جائزہ پروٹوکول

تصاویر، ویڈیوز، اور GIFs کے لیے فیس سویپ کوالٹی اسکور کارڈ

سات نظر آنے والے معیار، تین اہم اشاعتی دروازے، اور ایک شفاف وزنی فارمولے کے ساتھ ایک جنریٹڈ آؤٹ پٹ کی درجہ بندی کریں۔ پھر جائزے کو نو میٹرک خاندانوں اور تین شائع شدہ ویڈیو بینچ مارک پروٹوکولز سے نقشہ بنائیں بغیر غیر مطابقت پذیر اسکور کو مساوی سمجھے۔

DeepSwapAI پروڈکٹ ٹیم کے ذریعےصفحہ اور جائزہ وہیل 26 اگست کو اپ ڈیٹ کیا گیا؛ پروٹوکول 18 جولائی کو شائع ہوا اور بینچ مارک کراس واک کا جائزہ 28 جولائی 2026 کو لیا گیاانسانی جائزہ پروٹوکول

براہ راست جواب

فیس سویپ کوالٹی اسکور کو نظر آنے والے معیار اور ثبوت کی حد کی ضرورت ہے

یہ اسکور کارڈ ایک مخصوص آؤٹ پٹ کے انسانی جائزے کی ساخت بناتا ہے۔ یہ چہرے کا بائیو میٹرک طور پر معائنہ نہیں کرتا، کسی غیر دیکھے نتیجے کی پیش گوئی نہیں کرتا، یا ایک سازگار نمونے کو پورے ماڈل یا پروائیڈر کے بارے میں دعوے میں تبدیل نہیں کرتا۔

7 نظر آنے والے معیارشناخت، ملاوٹ، پوز، روشنی، رکاوٹ، تکنیکی سالمیت، اور حرکت کا استحکام۔
3 اہم دروازےاجازت، مطلوبہ شناخت میپنگ، اور اشاعت کا انکشاف نمبر سے الگ رہتا ہے۔
0 اپ لوڈ کردہ جائزہ ڈیٹاصفحہ کوئی میڈیا فائل قبول نہیں کرتا۔ درجہ بندی، نوٹس، حساب، اور ایکسپورٹ اس براؤزر ٹیب میں رہتے ہیں۔
دوبارہ استعمال کے قابل بصری چیک لسٹ: تصاویر، ویڈیوز، اور GIFs کے لیے فیس سویپ کوالٹی اسکور کارڈ
فیس سویپ کوالٹی اسکور کو نظر آنے والے معیار اور ثبوت کی حد کی ضرورت ہےSVG ڈاؤن لوڈ کریںCC BY 4.0انتساب: DeepSwapAI Product Team, https://deepswapai.com/ur/face-swap-quality-scorecard
اس بصری خاکے کو شامل کریں

اصل صفحے کا حوالہ دینے کے لیے یہ HTML کاپی کریں۔

انٹرایکٹو تشخیص

ایک آؤٹ پٹ کو ایک ہی معیار کے ساتھ اسکور کریں

میڈیا کی قسم منتخب کریں، دروازے مکمل کریں، ہر قابل اطلاق معیار کی درجہ بندی کریں، اور کسی بھی چیز کے لیے ایک مختصر ثبوت نوٹ رکھیں جسے دوسرا جائزہ لینے والا ڈھونڈ سکے۔

مقامی طور پر چلتا ہے
آؤٹ پٹ کی قسم
اہم اشاعتی دروازے

ایک اسکور کسی غیر حل شدہ دروازے کو اوور رائڈ نہیں کر سکتا۔

نظر آنے والے آؤٹ پٹ کی درجہ بندی کریں

ناقابل استعمال ناکامی کے لیے 0 اور صرف اس وقت 4 استعمال کریں جب جائزہ شدہ نمونے میں کوئی مادی خرابی نہ دیکھی جائے۔

شناخت کا تحفظکیا نظر آنے والی آنکھیں، ابرو، ناک، منہ، جبڑا، عمر کے اشارے، اور مجموعی شناخت مطلوبہ حوالے سے مطابقت رکھتی ہے؟24% بیس ویٹ · نارمل دیکھنے کے سائز پر جائزہ لیں، پھر سب سے مشکل نظر آنے والے پوز یا فریم کے دوران چہرے کا معائنہ کریں۔
چہرے کی حد اور ملاوٹکیا جلد کی ساخت، چہرے کے کنارے، کان، جبڑا، بالوں کی لکیر، اور گردن بغیر کسی چپکی ہوئی حد کے ہدف کے منظر میں ضم ہوتی ہے؟16% بیس ویٹ · ہائی کنٹراسٹ کناروں اور چہرے کے پورے دائرے کا معائنہ کریں نہ کہ صرف چہرے کے مرکز کا۔
پوز اور اظہار کی ہم آہنگیکیا چہرے کی جیومیٹری ہدف کے سر کے زاویے، نگاہ، آنکھ کی حالت، منہ کی شکل، اور اظہار سے مطابقت رکھتی ہے؟14% بیس ویٹ · پروفائل موڑ، بند آنکھیں، کھلے منہ، مسکراہٹیں، اور تیز سر جھکاؤ کو ترجیح دیں۔
روشنی اور رنگ کا تسلسلکیا نمائش، رنگ، جلد کی شیڈنگ، ہائی لائٹس، اور سائے ہدف کے منظر سے مطابقت رکھتے ہیں؟14% بیس ویٹ · دشاتمک روشنی، رنگین روشنی، سائے کی حدود، اور روشن اور تاریک علاقوں کے درمیان منتقلی کی جانچ کریں۔
رکاوٹ اور لوازمات کا تسلسلکیا بال، ہاتھ، عینک، ماسک، مائیکروفون، پیش منظر کی اشیاء، اور دیگر رکاوٹیں صحیح بصری ترتیب میں رہتی ہیں؟12% بنیادی وزن · ہر اس نقطے کا جائزہ لیں جہاں کوئی چیز چہرے کو کراس کرتی ہے یا جہاں چہرہ کسی اور چیز کے پیچھے چلا جاتا ہے۔
Technical integrityکیا آؤٹ پٹ مادی دھندلاپن، گھنٹی بجنا، بلاک آرٹفیکٹس، پھاڑنا، نقلی خصوصیات، اچانک ساخت کی تبدیلیوں، یا خراب فریموں سے پاک ہے؟10% بیس ویٹ · مطلوبہ ڈیلیوری سائز پر معائنہ کریں اور جان بوجھ کر موشن بلر یا ڈیپتھ آف فیلڈ کو بذات خود خرابی نہ سمجھیں۔
Temporal stabilityکیا حرکت کے دوران شناخت بغیر جھلملاہٹ، بہاؤ، چہرے کے غائب ہونے، اچانک جیومیٹری تبدیلیوں، یا نظر آنے والے لوپ سیون کے مستحکم رہتی ہے؟10% بیس ویٹ · پوری کلپ کو نارمل رفتار سے دیکھیں، پھر سب سے مشکل موڑ، رکاوٹ، کٹ، اور لوپ باؤنڈری کو فریم بہ فریم دوبارہ چلائیں۔

درجہ بندی کے اینکرز

ہر معیار کے لیے ایک ہی 0 سے 4 کے معنی استعمال کریں

پیمانہ اس معیار کے لیے نمونے شدہ مواد میں مشاہدہ کردہ سب سے مضبوط خرابی کو بیان کرتا ہے۔ یہ اعتماد کا اسکور، امکان، یا بائیو میٹرک پیمائش نہیں ہے۔

درجہ بندیاینکرتعریف
0Unusableناکامی یا شدید خرابی مطلوبہ استعمال کو روکتی ہے۔
1Major defectواضح طور پر نظر آنے والی خرابی عام دیکھنے پر حاوی ہوتی ہے۔
2Noticeable defectخرابی آسانی سے قابل توجہ رہتی ہے اور اسے ہدفی اصلاح کی ضرورت ہوتی ہے۔
3Minor defectجائزے پر ایک چھوٹی خرابی نظر آتی ہے لیکن عام دیکھنے پر حاوی نہیں ہوتی۔
4No material defect observedاس معیار کے لیے نمونے لیے گئے آؤٹ پٹ میں کوئی مادی خرابی نہیں دیکھی گئی۔

روبرک کے طول و عرض

وزن واضح ہیں اور حرکت صرف اس وقت اسکور کی جاتی ہے جب حرکت موجود ہو

ویڈیو اور GIF تمام 100 بیس ویٹ پوائنٹس استعمال کرتے ہیں۔ فوٹو وقتی استحکام کو خارج کرتا ہے اور باقی 90 پوائنٹس کو 100 پوائنٹ کے نتیجے پر نارملائز کرتا ہے۔

معیاربیس ویٹمیڈیاجائزے کا سوال
شناخت کا تحفظ24%فوٹو، ویڈیو، gifکیا نظر آنے والی آنکھیں، ابرو، ناک، منہ، جبڑا، عمر کے اشارے، اور مجموعی شناخت مطلوبہ حوالے سے مطابقت رکھتی ہے؟
چہرے کی حد اور ملاوٹ16%فوٹو، ویڈیو، gifکیا جلد کی ساخت، چہرے کے کنارے، کان، جبڑا، بالوں کی لکیر، اور گردن بغیر کسی چپکی ہوئی حد کے ہدف کے منظر میں ضم ہوتی ہے؟
پوز اور اظہار کی ہم آہنگی14%فوٹو، ویڈیو، gifکیا چہرے کی جیومیٹری ہدف کے سر کے زاویے، نگاہ، آنکھ کی حالت، منہ کی شکل، اور اظہار سے مطابقت رکھتی ہے؟
روشنی اور رنگ کا تسلسل14%فوٹو، ویڈیو، gifکیا نمائش، رنگ، جلد کی شیڈنگ، ہائی لائٹس، اور سائے ہدف کے منظر سے مطابقت رکھتے ہیں؟
رکاوٹ اور لوازمات کا تسلسل12%فوٹو، ویڈیو، gifکیا بال، ہاتھ، عینک، ماسک، مائیکروفون، پیش منظر کی اشیاء، اور دیگر رکاوٹیں صحیح بصری ترتیب میں رہتی ہیں؟
Technical integrity10%فوٹو، ویڈیو، gifکیا آؤٹ پٹ مادی دھندلاپن، گھنٹی بجنا، بلاک آرٹفیکٹس، پھاڑنا، نقلی خصوصیات، اچانک ساخت کی تبدیلیوں، یا خراب فریموں سے پاک ہے؟
Temporal stability10%ویڈیو، gifکیا حرکت کے دوران شناخت بغیر جھلملاہٹ، بہاؤ، چہرے کے غائب ہونے، اچانک جیومیٹری تبدیلیوں، یا نظر آنے والے لوپ سیون کے مستحکم رہتی ہے؟

دوبارہ قابل استعمال پروٹوکول ڈاؤن لوڈ کریں

JSON میں مکمل پیمانہ، دروازے، معیار، فارمولا، فیصلے کے بینڈ، ثبوت کی حدود، لائسنس، اور حوالہ جات شامل ہیں۔ CSV ایک خالی سات قطاروں والا جائزہ ٹیمپلیٹ ہے، اور BibTeX فائل ایک مستحکم حوالہ فراہم کرتی ہے۔

خودکار بینچ مارک نقشہ

فیس سویپ کوالٹی میٹرکس مختلف سوالات کے جواب دیتے ہیں

ایک قابل دفاع بینچ مارک سورس-آئیڈینٹیٹی ٹرانسفر، ٹارگٹ-ایٹریبیوٹ پرزرویشن، امیج اور ویڈیو ڈسٹری بیوشن ریئلزم، فریم ٹو فریم رویہ، صرف آؤٹ پٹ اسسمنٹ، اور انسانی جائزے کو الگ رکھتا ہے۔ ورژن شدہ فیصلہ نقشہ بتاتا ہے کہ ہر خاندان کس چیز کا موازنہ کرتا ہے اور قدر کی تشریح سے پہلے کس پروٹوکول کی ضرورت ہے۔

پیمائشموازنہ کرتا ہےاستعمال کریںحد
شناخت کی بازیافت یا ایمبیڈنگ مماثلتسورس شناخت بمقابلہ سویپڈ آؤٹ پٹ، ایک نامزد فیس انکوڈر یا سورس گیلری کا استعمال کرتے ہوئے۔آؤٹ پٹ مقررہ جائزہ لینے والے کے تحت سورس شناخت کے ثبوت کو کتنی مضبوطی سے برقرار رکھتا ہے؟ ایک ہی پروٹوکول کے اندر عام طور پر زیادہ مماثلت یا بازیافت کی کارکردگی بہتر ہوتی ہے۔انکوڈر، کراپ، گیلری، ڈیموگرافکس، تھریشولڈ، اور پری پروسیسنگ قدر کو متاثر کرتے ہیں۔ یہ ایک شخص کے لیے بائیو میٹرک فیصلہ نہیں ہے۔
فریم وار شناخت مماثلت کا استحکاممشابہت کی ترتیب ماخذ سے آؤٹ پٹ فریموں میں ایک نامزد چہرے کے انکوڈر کے تحت۔کیا ماخذ کی شناخت کا ثبوت وقت کے ساتھ مستحکم رہتا ہے جب پوز، اظہار، رکاوٹ، اور منظر کے حالات تبدیل ہوتے ہیں؟ کم پھیلاؤ زیادہ استحکام کی نشاندہی کر سکتا ہے صرف اس وقت جب اوسط شناخت مشابہت یا بازیافت کا نتیجہ اس کے ساتھ رپورٹ کیا جائے۔ایک مستقل طور پر غلط شناخت میں کم تغیر ہو سکتا ہے۔ پھیلاؤ اوسط مشابہت یا بازیافت کی جگہ نہیں لے سکتا، اور اقدار مختلف انکوڈرز یا فریم پائپ لائنوں میں قابل منتقلی نہیں ہیں۔
پوز اور ایکسپریشن کی خرابیہدف پوز یا اظہار کے تخمینے بمقابلہ تبدیل شدہ آؤٹ پٹ ایک نامزد تخمینہ لگانے والے کے تحت۔آؤٹ پٹ کس حد تک ہدف کے سر کے پوز اور اظہار کو مقررہ تخمینہ لگانے والے کے تحت محفوظ رکھتا ہے؟ کم غلطی عام طور پر ایک ہی تخمینہ لگانے والے اور پیرامیٹرائزیشن کے اندر بہتر ہوتی ہے۔اقدار مختلف تخمینہ لگانے والوں، فصلوں، پیرامیٹر اسپیسز، لینڈ مارک کنونشنز، یا پری پروسیسنگ پائپ لائنوں میں قابل منتقلی نہیں ہیں۔
Frechet Inception Distance (FID)تخلیق شدہ تصاویر یا فریموں کی تقسیم بمقابلہ ایک دستاویزی حوالہ تقسیم۔مقررہ خصوصیت نکالنے والے اور نمونے لینے کے پروٹوکول کے تحت دو خصوصیت کی تقسیمیں کتنی قریب ہیں؟ کم بہتر ہے صرف ایک ہی ڈیٹاسیٹ، نکالنے والے، پری پروسیسنگ، اور نمونے کے پروٹوکول کے اندر۔ایک چہرے کی تبدیلی کا آؤٹ پٹ قابل دفاع FID نہیں ہو سکتا کیونکہ ایک تصویر تقسیم نہیں ہے۔ FID شناخت کی درستگی کو الگ نہیں کرتا۔
Frechet Video Distance (FVD)تخلیق شدہ ویڈیو کلپس کی تقسیم بمقابلہ ایک دستاویزی حوالہ کلپ تقسیم ایک نامزد ویڈیو خصوصیت نکالنے والے کے تحت۔تخلیق شدہ اور حوالہ ویڈیو خصوصیت کی تقسیمیں ایک مقررہ کلپ نمونے لینے کے پروٹوکول کے تحت کتنی قریب ہیں؟ کم بہتر ہے صرف ایک ہی ڈیٹاسیٹ، خصوصیت نکالنے والے، کلپ دورانیہ، فریم ریٹ، پری پروسیسنگ، اور نمونے کے پروٹوکول کے اندر۔ایک آؤٹ پٹ کلپ قابل دفاع تقسیم سطح کا FVD نتیجہ نہیں ہے۔ FVD ماخذ شناخت، ہدف کی خصوصیت کا تحفظ، ہونٹ ہم آہنگی، یا کسی مخصوص وقتی نقص کو الگ نہیں کرتا۔
موضوع اور پس منظر کی مستقل مزاجیآؤٹ پٹ فریموں میں اور پچھلے، ہدف، یا حوالہ فریموں کے مقابلے میں خصوصیت کی مستقل مزاجی۔مقررہ ویڈیو پروٹوکول کے تحت حرکت کے ذریعے موضوع اور پس منظر کی خصوصیات کتنی مستحکم ہیں؟ زیادہ مستقل مزاجی عام طور پر ایک ہی نفاذ کے تحت بہتر ہوتی ہے۔صرف مستقل مزاجی درست شناخت کی نقشہ سازی، بصری حقیقت پسندی، حرکت کی درستگی، یا اشاعت کی تیاری قائم نہیں کر سکتی۔
نگاہ، آنکھ کا سوراخ، ہونٹوں کی ہم آہنگی، اور حرکت کی تشخیصہدف اور آؤٹ پٹ ترتیبوں کے درمیان نامزد آنکھ، آڈیو ہونٹ، لینڈ مارک، یا آپٹیکل فلو رویہ۔تخلیق شدہ ویڈیو کے ذریعے ہدف کی کون سی مخصوص متحرک خصوصیات ہم آہنگ رہتی ہیں؟ سمت اور اکائی نامزد تشخیص پر منحصر ہے؛ ہر ایک کو الگ سے رپورٹ کریں۔یہ تشخیصیں قابل تبادلہ نہیں ہیں، انہیں ایک دستاویزی ویڈیو پروٹوکول کی ضرورت ہے، اور ہر میڈیا کی قسم پر لاگو نہیں ہوتیں۔
سیکھا ہوا نو-ریفرنس کوالٹی اسسمنٹصرف آؤٹ پٹ، جسے انسانی فیصلوں یا لیبل شدہ معیار کے اعداد و شمار کے خلاف تربیت یافتہ ایک ماڈل کے ذریعے جانچا گیا ہے۔ایک تربیت یافتہ جائزہ لینے والا نظر آنے والے آؤٹ پٹ کے معیار کو کس طرح درجہ بندی کرتا ہے جب واضح حوالہ میڈیا دستیاب نہ ہو؟ سمت ماڈل کے آؤٹ پٹ پر منحصر ہے؛ اسے ایک دستاویزی علیحدہ تقسیم پر توثیق کریں۔کارکردگی تربیتی اعداد و شمار اور توثیق کے دائرہ کار پر منحصر ہے۔ صرف آؤٹ پٹ کا اسکور خود بخود درست ماخذ شناخت کی منتقلی قائم نہیں کر سکتا۔
ساختی انسانی اسکور کارڈایک نظر آنے والا آؤٹ پٹ واضح نقص کے اینکرز، اشاعت کے دروازوں، اور جائزہ لینے والے کے نوٹوں کے خلاف۔جائزہ لینے والا اس مخصوص آؤٹ پٹ میں کون سے نظر آنے والے نقائص یا حل نہ ہونے والے استعمال کے دروازے دیکھتا ہے؟ اینکرڈ ترتیبی درجہ بندی استعمال کریں؛ نتیجے کو امکان یا بائیو میٹرک اسکور کے طور پر دوبارہ تعبیر نہ کریں۔جائزہ لیے گئے نمونے کے بارے میں موضوعی ثبوت، ماڈل کی درستگی، فراہم کنندہ کی درجہ بندی، امکان، یا بائیو میٹرک مشابہت نہیں۔

اشاعت شدہ بینچ مارک پروٹوکول قابل تبادلہ نہیں ہیں

نیچے دی گئی کراس واک صرف ان سیٹ اپ کو ریکارڈ کرتی ہے جو بنیادی مقالوں میں بیان کیے گئے ہیں۔ یہ ان کے نتائج کی جدولوں کو کاپی نہیں کرتی، یہ دعوی نہیں کرتی کہ ہر ڈیٹاسیٹ ڈاؤن لوڈ کے قابل ہے، یا مختلف جائزہ لینے والوں کی اقدار کو ایک لیڈر بورڈ میں تبدیل کرتی ہے۔

پروٹوکول اور ماخذموازنہ اکائیرپورٹ کردہ اقداماتموازنہ کی حد
CASIA FaceSwappingماخذ ہدف ویڈیو جوڑے تین عنصر تنہائی پروٹوکول کے تحت جمع کیے گئے۔ نارمل: عام ریکارڈنگز سے 4,500 غیر اوورلیپنگ ایک ہی نسل کے جوڑے۔ کراس نسل: ایشیائی، افریقی، اور کاکیشین گروپوں کے درمیان دونوں سمتوں میں پھیلے ہوئے 1,200 جوڑے۔ کراس خصوصیت: نارمل اور پوز، اظہار، یا روشنی کے تغیرات کے درمیان دونوں سمتوں میں پھیلے ہوئے 4,300 جوڑے۔شناخت بازیافت، شناخت مشابہت، پوز کی غلطی، اظہار کی غلطی، FID، موضوع کی مستقل مزاجی، پس منظر کی مستقل مزاجی۔ اس کراس واک میں کسی انسانی جائزے کے پروٹوکول کا خلاصہ نہیں ہے۔تین حصے CASIA سیٹ اپ کے اندر مختلف عوامل کو الگ کرتے ہیں۔ ان کی اقدار اس مقالے کے جوڑے کی تعمیر، ماڈلز، خصوصیت نکالنے والوں، ریزولوشنز، اور جمع کرنے پر منحصر ہیں۔
IDBench-V200 مقالے میں رپورٹ کردہ حقیقی دنیا کے ماخذ ویڈیو اور ہدف تصویر کے جوڑے۔ ایک 200 جوڑوں کا تشخیصی سیٹ جو چھوٹے چہروں، انتہائی سر کے پوز، شدید رکاوٹوں، پیچیدہ یا متحرک اظہار، اور بھیڑ بھرے کثیر شخصی مناظر کا احاطہ کرتا ہے۔ArcFace شناخت مشابہت، InsightFace شناخت مشابہت، CurricularFace شناخت مشابہت، فریم وار شناخت مشابہت کا تغیر، پوز کی غلطی، اظہار کی غلطی، پس منظر کی مستقل مزاجی، موضوع کی مستقل مزاجی، حرکت کی ہمواری، FVD۔ مقالہ شناخت مشابہت، خصوصیت کے تحفظ، اور ویڈیو کے معیار کے لیے 1 سے 5 کی درجہ بندی کا استعمال کرتے ہوئے 19 جائزہ لینے والوں کی رپورٹ کرتا ہے۔یہ قطار صرف مقالے میں رپورٹ کردہ پروٹوکول کو ریکارڈ کرتی ہے۔ یہ عوامی ڈاؤن لوڈ کی دستیابی کا دعوی نہیں کرتی، کسی نتیجے کو دوبارہ پیش نہیں کرتی، یا اس کی اقدار کو کسی دوسرے بینچ مارک میں قابل منتقلی نہیں بناتی۔
CanonSwap VFS بینچ مارکVFHQ سے 100 ماخذ ہدف جوڑے نمونے لیے گئے؛ ہر ہدف پہلے 100 فریم اور چار سیکنڈ کی متعلقہ آڈیو استعمال کرتا ہے۔ ایک 100 جوڑوں کا ویڈیو چہرے کی تبدیلی کا تشخیصی سیٹ مقررہ فریم اور آڈیو ونڈوز کے ساتھ۔شناخت مشابہت، شناخت بازیافت، پوز کی غلطی، اظہار کی غلطی، نگاہ کی غلطی، آنکھ کے پہلو تناسب کی غلطی، LSE-D، LSE-C، آپٹیکل فلو وقتی مستقل مزاجی، FVD۔ اس کراس واک میں کسی انسانی جائزے کے پروٹوکول کا خلاصہ نہیں ہے۔پروٹوکول مقالے کے مخصوص فریم، آڈیو، تخمینہ لگانے والے، اور خصوصیت نکالنے والے انتخاب کا استعمال کرتا ہے۔ اس کی اقدار کا براہ راست IDBench-V یا CASIA اقدار سے موازنہ نہیں کیا جانا چاہیے۔

میٹرک فیصلے کا نقشہ ڈاؤن لوڈ کریں

JSON تمام 9 میٹرک خاندانوں، 3 پروٹوکول کراس واک، شرائط، تشریح کی سمتوں، ثبوت کی حدود، اور بنیادی ذرائع کو محفوظ رکھتا ہے۔ CSV میں میٹرک خاندان کی جدول ہے؛ BibTeX ریکارڈ مستحکم انتساب فراہم کرتا ہے۔

فیصلے کے لیے صحیح ثبوت استعمال کریں: خودکار میٹرکس کو ایک مقررہ ڈیٹاسیٹ، جائزہ لینے والے، پری پروسیسنگ پائپ لائن، نمونے کی تعداد، اور بار بار آؤٹ پٹ کی ضرورت ہوتی ہے۔ یہ مقامی اسکور کارڈ ایک جائزہ لیے گئے نتیجے میں نظر آنے والے نقائص کو ریکارڈ کرتا ہے اور جان بوجھ کر خودکار بینچ مارک کی نقل نہیں کرتا۔

پانچ مرحلہ تشخیصی پروٹوکول

ہر جائزے کو اتنا دوبارہ قابل بنائیں کہ کوئی دوسرا شخص معائنہ کر سکے

  1. آؤٹ پٹ کی قسم منتخب کریں اور نمونے کی شناخت کریں۔ فوٹو، ویڈیو، یا GIF منتخب کریں اور نمونے کی شناخت، جائزہ لینے والے، اور جائزے کی تاریخ ریکارڈ کریں۔
  2. تین اہم اشاعت کے دروازوں کی تصدیق کریں۔ اجازت کی تصدیق کریں، مطلوبہ شناخت میپنگ کی تصدیق کریں، اور جائزہ لیں کہ آیا AI مواد کا انکشاف ضروری ہے۔
  3. ہر قابل اطلاق معیار کا جائزہ لیں۔ شناخت، چہرے کی حد، پوز اور ایکسپریشن، روشنی، رکاوٹ، تکنیکی سالمیت، اور جہاں قابل اطلاق ہو وقتی استحکام کی درجہ بندی کریں۔
  4. وزنی نتیجہ پڑھیں بغیر دروازوں کو اوور رائیڈ کیے۔ تصحیحات کو ترجیح دینے کے لیے نتیجہ استعمال کریں۔ ایک عددی اسکور کبھی بھی غیر حل شدہ اجازت، میپنگ، یا انکشاف کے دروازوں کو اوور رائڈ نہیں کرتا۔
  5. مکمل ثبوت کا ریکارڈ برآمد کریں۔ JSON یا CSV ڈاؤن لوڈ کریں، نوٹس برقرار رکھیں، اور ہر آؤٹ پٹ کے لیے ایک ہی پروٹوکول دہرائیں جس کا آپ موازنہ کرنا چاہتے ہیں۔
فراہم کنندگان کے موازنے کو مزید ثبوت کی ضرورت ہے: ایک جیسے مجاز ان پٹ، بار بار آزاد رن، متعدد جائزہ لینے والے، دستاویزی دیکھنے کے حالات، اور شماریاتی رپورٹنگ استعمال کریں۔ ایک ہاتھ سے چنا ہوا آؤٹ پٹ اوسط ماڈل معیار قائم نہیں کر سکتا۔

ثبوت کی حد اور ذرائع

موضوعی جائزہ صرف اس وقت مفید ہے جب اس کی حدود نظر آئیں

حد

اسکور ایک جائزہ شدہ آؤٹ پٹ کا ساختی انسانی مشاہدہ ہے، بائیو میٹرک شناخت کی پیمائش نہیں۔

حد

روبرک ماڈل کی درستگی، اوسط معیار، حفاظت، رفتار، بھروسے، یا پروائیڈر کی برتری قائم نہیں کرتا۔

حد

اعلی اسکور رضامندی، انکشاف، قانونی، رسائی، یا سامعین سے متعلق جائزے کی جگہ نہیں لیتا۔

حد

کراس پروائیڈر دعوے کے لیے ایک ہی ان پٹ، بار بار رنز، آزاد جائزہ لینے والے، دستاویزی دیکھنے کے حالات، اور شماریاتی رپورٹنگ درکار ہے۔

اسکور کارڈ کے سوالات

نمبر کیا قائم کر سکتا ہے اور کیا نہیں

کیا یہ میری میڈیا یا نوٹس اپ لوڈ کرتا ہے؟

نہیں۔ صفحے میں کوئی میڈیا ان پٹ نہیں ہے، اور اسکور کارڈ کنٹرول DeepSwapAI کو درجہ بندی یا نوٹس نہیں بھیجتے۔

کیا یہ بائیو میٹرک شناخت کا اسکور ہے؟

نہیں۔ یہ نظر آنے والے آؤٹ پٹ خصوصیات کا ایک دستاویزی انسانی مشاہدہ ہے، چہرے کی شناخت کی درستگی یا ایمبیڈنگ مشابہت نہیں۔

کیا ایک اسکور چہرے کی تبدیلی کے فراہم کنندگان کی درجہ بندی کر سکتا ہے؟

نہیں۔ قابل دفاع موازنے کے لیے مشترکہ ان پٹ، بار بار آؤٹ پٹ، متعدد جائزہ لینے والے، کنٹرول شدہ دیکھنے کے حالات، اور شماریاتی رپورٹنگ کی ضرورت ہے۔

وقتی استحکام کو تصویروں سے کیوں خارج کیا گیا ہے؟

ایک ساکن تصویر میں فریم کی ترتیب نہیں ہوتی۔ تصویر موڈ چھ قابل اطلاق معیار کو 90 بیس ویٹ پوائنٹس سے 100 تک معمول بناتا ہے۔

کیا میں روبرک دوبارہ استعمال کر سکتا ہوں؟

ہاں۔ شائع شدہ JSON اور خالی CSV CC BY 4.0 استعمال کرتے ہیں اور مطلوبہ انتسابی بیان اور ایک ڈاؤن لوڈ کے قابل BibTeX ریکارڈ شامل کرتے ہیں۔

کیا FID ایک چہرے کی تبدیلی کے آؤٹ پٹ کی پیمائش کر سکتا ہے؟

نہیں۔ FID تخلیق شدہ اور حوالہ تصویری سیٹوں کی تقسیم کا موازنہ کرتا ہے۔ ایک تصویر تقسیم نہیں ہے۔

کیا شناخت کا ماخذ یا ہدف سے موازنہ کیا جانا چاہیے؟

شناخت کی بازیافت اور مشابہت عام طور پر آؤٹ پٹ کا ماخذ سے موازنہ کرتی ہے۔ پوز اور اظہار کا تحفظ عام طور پر آؤٹ پٹ کا ہدف سے موازنہ کرتا ہے۔

کیا CASIA FaceSwapping، IDBench-V، اور CanonSwap اقدار کا براہ راست موازنہ کیا جا سکتا ہے؟

نہیں۔ ان کے جوڑے کی تعمیر، چیلنج کے حصے، جائزہ لینے والے، خصوصیت نکالنے والے، فریم یا آڈیو ونڈوز، پری پروسیسنگ، اور جمع کرنے میں فرق ہے۔ اقدار کا موازنہ کرنے سے پہلے ایک مشترکہ پروٹوکول دوبارہ تیار کریں۔

پہلے سب سے چھوٹا نمائندہ آؤٹ پٹ تیار کریں

ایک مجاز ہدف اور شناخت کا حوالہ منتخب کریں، ایک نمائندہ نتیجہ تیار کریں، پھر بیچ یا لمبے کلپ کو اسکیل کرنے سے پہلے اسے اسکور کرنے کے لیے واپس آئیں۔

فوٹو فیس سویپ کھولیں