技術術語表
技術術語表
技術術語表. 適用於獲准照片、批次、合照對應、影片和 GIF 工作流程的瀏覽器 AI 換臉。 Conteúdo localizado: zh-Hant. 來源核驗比較.
實用指南
技術術語表
本頁以繁體中文說明技術術語表的用途、界線與核驗方式。下方保留已審核的產品事實、數字、連結與來源；請在取得相關人士許可後使用媒體。
來源核驗比較: 適用於獲准照片、批次、合照對應、影片和 GIF 工作流程的瀏覽器 AI 換臉。
直接回答
人臉交換術語需要定義與限制
來源臉部提供身份線索。目標媒體提供場景及預期的非身份屬性。檢測、對齊、遮罩與生成描述工作流程的各個部分；身份相似度、感知度量與人工審查則回答不同的評估問題。
實作邊界： 此頁面解釋研究論文、評估協議及 C2PA 規範中出現的術語。此處的引用不代表 DeepSwapAI 使用每個提及的方法、架構、模型、指標或來源功能。
術語索引
跳轉至您需要的概念
工作流程基礎
工作流程基礎
定義進入人臉交換工作流程的媒體角色與幾何預處理術語。
臉部交換
#亦稱為： AI 人臉交換、臉部交換
一項電腦視覺任務，將身份特徵從來源臉部轉移到目標圖片或影片中，同時嘗試保留目標的屬性，例如姿勢、表情、髮型和背景。
證據範圍： 此為任務定義，並非保證每個系統都能保留所有屬性，或特定使用具有許可。
主要來源： PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion; Fine-Grained Face Swapping via Regional GAN Inversion
來源臉孔
#亦稱為： 來源身份、身份參考
提供身份特徵的人物或參考圖片，這些特徵將用於生成臉部。
證據範圍： 來源通常不定義目標場景、身體、髮型、姿勢或背景，確切劃分取決於方法。
主要來源： PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion; Reinforced Disentanglement for Face Swapping without Skip Connection
目標媒體
#亦稱為： 目標圖像、目標影片
提供場景及非身份屬性的圖片或影片，人臉互換方法會嘗試保留這些屬性。
證據範圍： 不同方法保留的目標屬性不同，因此目標保留需經評估而非假設。
主要來源： PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion; DynamicFace: High-Quality and Consistent Face Swapping for Image and Video
臉部偵測
#亦稱為： 人臉定位、臉部定位
在圖片或影片幀中定位一個或多個臉部區域的過程，後續會進行對齊、特徵提取或生成。
證據範圍： 檢測到的人臉區域並非身份判定、同意檢查或後續處理成功的保證。
主要來源： RetinaFace: Single-Shot Multi-Level Face Localisation in the Wild
臉部特徵點
#亦稱為： 臉部特徵點、特徵點座標
估計的臉部關鍵點，例如眼角、鼻子和嘴巴位置，用於描述臉部幾何形狀以進行對齊或條件設定。
證據範圍： 特徵點佈局、點數與誤差單位因檢測器與協議而異，不可直接互換。
主要來源： RetinaFace: Single-Shot Multi-Level Face Localisation in the Wild; DiffSwap: High-Fidelity and Controllable Face Swapping via 3D-Aware Masked Diffusion
臉部對齊
#亦稱為： 臉部對齊、對齊後人臉裁切
一種幾何標準化步驟，利用偵測到的臉部結構將臉部置於一致的裁切、比例和方向中，以供後續處理。
證據範圍： 對齊慣例與變換方式各異，對齊後的裁切不確立身份、品質或許可。
主要來源： RetinaFace: Single-Shot Multi-Level Face Localisation in the Wild; ArcFace: Additive Angular Margin Loss for Deep Face Recognition
身份與保留
身份與保留
用於分離來源身份線索與結果試圖保留的目標屬性的概念。
臉部嵌入
#亦稱為： 身份嵌入、臉部特徵向量
一種學習得到的數值表示，設計用於在特定辨識模型和預處理協議下，於特徵空間中比較臉部影像。
證據範圍： 向量維度、距離函數與決策閾值取決於模型與評估設定；嵌入本身並非身份判定，也非數學上保證不可重建。
主要來源： ArcFace: Additive Angular Margin Loss for Deep Face Recognition
身份相似度
#亦稱為： 身份保留、身份保留分數
一種依賴協議的比較，在來源身份與輸出表示之間進行，通常由指定的臉部編碼器和相似度函數計算得出。
證據範圍： 分數無法跨編碼器、裁切、資料集、閾值或人口統計群體移植，不應作為單一輸出的生物識別判定。
主要來源： ArcFace: Additive Angular Margin Loss for Deep Face Recognition; PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion
目標屬性保留
#亦稱為： 屬性保留、目標一致性
結果在改變臉部身份特徵的同時，保留預期目標特徵（如姿勢、表情、髮型、光線、服裝和背景）的程度。
證據範圍： 必須明確說明被評估的屬性與估計器；單一聚合分數可能掩蓋個別屬性的失敗。
主要來源： PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion; DynamicFace: High-Quality and Consistent Face Swapping for Image and Video
臉部遮罩
#亦稱為： 交換遮罩、面部遮罩
一個空間地圖，標示出哪些影像區域可被生成、混合或評估為人臉互換操作的一部分。
證據範圍： 遮罩的構造與語義因方法而異；遮罩本身無法解決遮擋、邊界或色彩不一致的問題。
主要來源： DiffSwap: High-Fidelity and Controllable Face Swapping via 3D-Aware Masked Diffusion; Fine-Grained Face Swapping via Regional GAN Inversion
臉部分割
#亦稱為： 面部語義分割
對臉部組件及周圍區域（如皮膚、眼睛、嘴巴、頭髮或背景）進行像素級別的語義分割。
證據範圍： 標籤集與分割品質取決於解析器與資料集，錯誤區域可能傳播至後續合成或合成處理。
臉部邊界混合
#亦稱為： 邊界融合、面部合成
合成步驟，將合成的臉部區域過渡到目標中，並在膚色、邊緣、光線和附近內容之間進行融合。
證據範圍： 視覺上平滑的邊界無法建立正確的身份、自然的內部特徵或跨影片畫格的一致行為。
主要來源： Fine-Grained Face Swapping via Regional GAN Inversion; Reinforced Disentanglement for Face Swapping without Skip Connection
遮擋
#亦稱為： 面部遮擋、被遮擋的臉部
臉部部分區域被頭髮、手、眼鏡、物體、其他人或影像邊界隱藏的情況。
證據範圍： 遮擋處理因方法與場景而異；基準測試必須指定受影響區域與觀看條件。
主要來源： Fine-Grained Face Swapping via Regional GAN Inversion; DynamicFace: High-Quality and Consistent Face Swapping for Image and Video
頭部姿勢
#亦稱為： 臉部姿勢、頭部方向
頭部相對於相機的估計方向，通常以偏航角、俯仰角和翻滾角表示，或透過特徵點和 3D 參數表示。
證據範圍： 姿勢值取決於估計器與座標慣例；僅匹配姿勢無法預測輸出的真實感。
主要來源： DiffSwap: High-Fidelity and Controllable Face Swapping via 3D-Aware Masked Diffusion; PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion
臉部表情
#亦稱為： 表情保留
與微笑、眨眼或張嘴等動作相關的臉部特徵可見配置，常在換臉中被視為目標屬性。
證據範圍： 表情標籤與參數取決於估計器，可能遺漏細微、不對稱或文化解讀的行為。
主要來源： PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion; DynamicFace: High-Quality and Consistent Face Swapping for Image and Video
影片一致性
影片一致性
不存在於單張靜止影像中的運動與畫格序列概念。
時間一致性
#亦稱為： 時間連貫性、畫格間一致性
身份特徵、目標屬性和視覺細節在連續影片幀中的穩定性，而非僅在單一幀中。
證據範圍： 高一致性指標可能持續保留錯誤結果，因此身份正確性與可見品質必須分別評估。
主要來源： DynamicFace: High-Quality and Consistent Face Swapping for Image and Video; CanonSwap: High-Fidelity and Consistent Video Face Swapping via Canonical Space Modulation
光流
#亦稱為： 運動場、像素對應
一個估計的密集運動場，將影像位置映射到幀之間，可用於支援運動分析、扭曲或時間診斷。
證據範圍： 光流是一種估計，可能在遮擋、模糊、光線變化及新可見區域周圍失敗；其本身並非品質評分。
主要來源： RAFT: Recurrent All-Pairs Field Transforms for Optical Flow; CanonSwap: High-Fidelity and Consistent Video Face Swapping via Canonical Space Modulation
評估
評估
在明確條件下回答不同品質問題的指標與審查協議。
Structural Similarity Index (SSIM)
#亦稱為： SSIM
一種全參考影像相似度度量，比較測試影像與參考影像之間的亮度、對比度和結構。
證據範圍： SSIM需要有意義的對齊參考，非臉部專用，其值取決於尺度、視窗、色彩處理與預處理。
主要來源： Image Quality Assessment: From Error Visibility to Structural Similarity
Learned Perceptual Image Patch Similarity (LPIPS)
#亦稱為： LPIPS、學習感知相似性
一種基於深度網路特徵的感知距離，根據人類對影像區塊相似度的判斷進行評估。
證據範圍： LPIPS非身份評分；其值取決於所選網路、校準、影像準備與比較協議。
主要來源： The Unreasonable Effectiveness of Deep Features as a Perceptual Metric
Frechet Inception Distance (FID)
#亦稱為： FID
生成影像集合與參考影像集合之間特徵分佈的集合級距離，最初使用 Inception 特徵計算。
證據範圍： FID不是一个可辩护的单图像评分，结果取决于样本数量、特征提取器、预处理、参考集和实现。
主要來源： GANs Trained by a Two Time-Scale Update Rule Converge to a Local Nash Equilibrium; Rethinking FID: Towards a Better Evaluation Metric for Image Generation
無參考品質評估
#亦稱為： NR-IQA，盲图像质量评估
一種無需配對原始參考影像即可從輸出中估計視覺品質的方法。
證據範圍： 其有效性取决于训练数据和验证设计；评分可能在未见过的方法、内容或失真上失效。
主要來源： Rank-based No-reference Quality Assessment for Face Swapping
人工審核評分卡
#亦稱為： 人工评估标准，输出评审标准
一個可重複的評分標準，要求審核者針對特定輸出記錄可見標準、評分錨點、關鍵門檻和備註。
證據範圍： 它记录结构化的人工观察，而非模型准确性、生物识别身份、概率或供应商范围的排名。
主要來源： DeepSwapAI 人臉交換輸出品質評分卡; Rank-based No-reference Quality Assessment for Face Swapping
指标解读
四条规则防止误导性比较
Name the relationship
身份指标通常将输出与源身份进行比较。姿态和表情保持通常将输出与目标进行比较。这是两个不同的问题。
Hold the protocol constant
数据集、裁剪、评估器、预处理、实现、样本数量和聚合方式都可能改变报告值。仅共享指标名称是不够的。
将集合级别和单输出证据分开
FID 描述图像集分布。SSIM 和 LPIPS 需要有意义的比较参考。人工评分表记录对一个审查输出的可见观察。
不要将所有质量维度混为一谈
身份、目标属性保持、边界、遮挡、技术完整性和时间稳定性可能独立失效，应保持可检查性。
詞彙表問題
如何使用這些定義
此頁面是否揭露確切的 DeepSwapAI 模型堆疊？
否。它定義產業與研究概念，但不表示每項引用方法均屬於生產實作的一部分。
能否比較兩篇論文中的同一指標？
僅在確認資料集、評估器、預處理、實作及聚合規則一致後方可。
FID 能否測量單一輸出？
不，FID 是分布層級的衡量指標，需要生成圖像集與參考圖像集。
內容憑證能否證明圖像為真？
不，它們提供來源資訊與驗證信號，而非事實真偽判斷。
開始換臉
適用於獲准照片、批次、合照對應、影片和 GIF 工作流程的瀏覽器 AI 換臉。