DeepSwapAI

品質評分卡

品質評分卡

品質評分卡. 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.

由 DeepSwapAI 產品團隊撰寫協定發布於 7 月 18 日；基準對照表於 2026 年 7 月 28 日審查人工審查協定

實用指南

品質評分卡

本頁以繁體中文說明品質評分卡的用途、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

人臉交換品質評分需要可見的標準與證據邊界

此評分卡用於結構化人工審查單一特定輸出。它不進行生物特徵人臉比對、不預測未見結果，也不將單一有利樣本轉化為對整個模型或供應商的宣稱。

7 項可見標準身份、融合、姿態、光線、遮擋、技術完整性與動態穩定性。
3 道關鍵門檻許可、預期身份映射與發布揭露獨立於分數之外。
0 筆上傳審查資料此頁面不接受任何媒體檔案。評分、備註、計算與匯出均保留在此瀏覽器分頁中。

互動式評估

以相同標準評分單一輸出

選擇媒體類型、完成門檻、評定每項適用標準，並為其他審查員應能查閱的內容保留簡短證據備註。

於本地執行
輸出類型
關鍵發布門檻

分數無法覆蓋未解決的門檻。

評定可見輸出

0 分代表無法使用的失敗，4 分僅用於審查樣本中未觀察到重大缺陷的情況。

保留身分特徵可見的眼睛、眉毛、鼻子、嘴巴、下巴、年齡線索與整體身份，是否與預期參考保持一致？24% 基礎權重 · 先以正常觀看尺寸審查，再於最困難的可見姿態或影格中檢查人臉。
臉部邊界與融合皮膚紋理、臉部邊緣、耳朵、下巴、髮際線與頸部，是否無縫融入目標場景，無貼合邊界？16% 基礎權重 · 檢查高對比邊緣與完整臉部周邊，而非僅臉部中心。
姿態與表情一致性臉部幾何結構是否與目標頭部角度、視線、眼睛狀態、嘴型與表情保持一致？14% 基礎權重 · 優先檢查側臉轉動、閉眼、張嘴、微笑與大幅頭部傾斜。
光影與色彩連續性曝光、色彩、皮膚色調、高光與陰影是否與目標場景保持一致？14% 基礎權重 · 檢查方向光、有色光、陰影邊界以及明亮與陰暗區域之間的過渡。
遮擋與配件連續性頭髮、手部、眼鏡、口罩、麥克風、前景物體及其他遮擋物，是否保持在正確的視覺順序？12% 基礎權重 · 審查物體越過臉部或臉部移動到另一物體後方的每個點。
技術完整性輸出是否無明顯模糊、振鈴、塊狀偽影、撕裂、重複特徵、突兀紋理變化或損壞影格？10% 基礎權重 · 以預期交付尺寸檢查，並避免將刻意運動模糊或景深視為缺陷。
時間穩定性在動態中，身份是否保持穩定，無閃爍、漂移、臉部遺失、突然幾何變化或可見循環接縫？10% 基礎權重 · 先以正常速度審查完整片段，再逐影格重播最困難的轉向、遮擋、剪接與循環邊界。

評分錨點

每項標準均使用相同的 0 至 4 分含義

此量表描述在樣本材料中針對該標準觀察到的最強缺陷。它不是信心分數、機率或生物特徵測量。

評分錨點定義
0無法使用失敗或嚴重缺陷導致無法預期使用。
1重大缺陷明顯可見的缺陷主導正常觀看。
2明顯缺陷缺陷易於察覺，需要針對性修正。
3輕微缺陷審查時可見微小缺陷，但不主導正常觀看。
4未觀察到重大缺陷在樣本輸出中未觀察到該標準的重大缺陷。

評分量表維度

權重明確，且僅在存在動態時才對動態評分

影片與 GIF 使用全部 100 基礎權重點數。照片排除時間穩定性，並將剩餘 90 點正規化為 100 分結果。

標準基礎權重媒體審查問題
保留身分特徵24%照片、影片、gif可見的眼睛、眉毛、鼻子、嘴巴、下巴、年齡線索與整體身份，是否與預期參考保持一致？
臉部邊界與融合16%照片、影片、gif皮膚紋理、臉部邊緣、耳朵、下巴、髮際線與頸部，是否無縫融入目標場景，無貼合邊界？
姿態與表情一致性14%照片、影片、gif臉部幾何結構是否與目標頭部角度、視線、眼睛狀態、嘴型與表情保持一致？
光影與色彩連續性14%照片、影片、gif曝光、色彩、皮膚色調、高光與陰影是否與目標場景保持一致？
遮擋與配件連續性12%照片、影片、gif頭髮、手部、眼鏡、口罩、麥克風、前景物體及其他遮擋物，是否保持在正確的視覺順序？
技術完整性10%照片、影片、gif輸出是否無明顯模糊、振鈴、塊狀偽影、撕裂、重複特徵、突兀紋理變化或損壞影格？
時間穩定性10%影片、gif在動態中，身份是否保持穩定，無閃爍、漂移、臉部遺失、突然幾何變化或可見循環接縫？

下載可重複使用的協議

JSON 包含完整量表、門檻、標準、公式、決策區間、證據限制、授權與參考文獻。CSV 為空白七列審查模板，BibTeX 檔案提供穩定引用。

自動化基準測試對照圖

人臉交換品質指標回答不同問題

可防禦的基準測試應將來源身份轉移、目標屬性保留、影像與影片分佈真實感、影格間行為、僅輸出評估與人工審查分開。版本化的決策對照圖標示每個系列比較的內容，以及在數值可被解讀前所需的協議。

測量項目比較對象用途邊界
身份檢索或嵌入相似度來源身份與交換後輸出，使用指定人臉編碼器或來源庫。在固定評估器下，輸出保留來源身份證據的強度為何？在相同協議內，較高的相似度或檢索表現通常較佳。編碼器、裁切、庫、人口統計、閾值與前處理會影響數值。這不是針對單一人的生物特徵判定。
逐幀身份相似度穩定性在指定人臉編碼器下，跨偵測到的輸出影格之來源到輸出身份相似度序列。隨著姿態、表情、遮擋與場景條件隨時間變化，來源身份證據是否保持穩定？僅在同時報告平均身份相似度或檢索結果時，較低的離散度可能表示較高的穩定性。持續錯誤的身份可能具有低變異數。離散度無法取代平均相似度或檢索，且數值無法跨編碼器或影格管線移植。
姿態與表情誤差目標姿態或表情估計值與指定估計器下的交換後輸出。在固定估計器下，輸出保留目標頭部姿態與表情的接近程度為何？在相同估計器與參數化下，較低的誤差通常較佳。數值無法跨不同估計器、裁切、參數空間、地標慣例或前處理管線移植。
Frechet Inception Distance (FID)生成的影像或影格分佈與有文件記錄的參考分佈。在固定特徵提取器與取樣協議下，兩個特徵分佈的接近程度為何？僅在相同資料集、提取器、前處理與樣本協議下，較低值較佳。單一人臉交換輸出無法具有可防禦的 FID，因為單張影像不是一個分佈。FID 無法隔離身份正確性。
Frechet Video Distance (FVD)生成的影片片段分佈與指定影片特徵提取器下的有文件記錄參考片段分佈。在一個固定的片段取樣協議下，生成與參考影片特徵分佈的接近程度為何？僅在相同資料集、特徵提取器、片段持續時間、影格率、前處理與樣本協議下，較低值較佳。單一輸出片段不是可防禦的分佈層級 FVD 結果。FVD 無法隔離來源身份、目標屬性保留、唇形同步或特定時間缺陷。
主體與背景一致性跨輸出影格以及與前一個、目標或參考影格的特徵一致性。在固定影片協議下，主體與背景特徵在動態中的穩定程度為何？在相同實作下，較高的一致性通常較佳。僅一致性無法建立正確的身份映射、視覺真實感、動態準確性或發布準備狀態。
凝視、眼瞼開合、唇形同步和動作診斷指定眼睛、音訊-唇形、地標或光流在目標與輸出序列之間的行為。哪些特定的動態目標屬性在生成的影片中保持同步？方向與單位取決於指定的診斷工具；請分別報告每一項。這些診斷工具不可互換，需要文件化的影片協議，且不適用於每種媒體類型。
學習型無參考品質評估僅輸出本身，由針對排名人工判斷或標記品質資料訓練的模型進行評估。當無明確參考媒體可用時，訓練過的評估器如何對可見輸出品質進行排名？方向取決於模型輸出；請在文件化的保留分佈上進行驗證。表現取決於訓練資料與驗證範圍。僅輸出分數本身無法建立正確的來源身份轉移。
結構化人工評分卡單一可見輸出，對照明確缺陷錨點、發布門檻與審查員備註。審查員在此特定輸出中觀察到哪些可見缺陷或未解決的使用門檻？使用錨定順序評分；請勿將結果重新解讀為機率或生物特徵分數。關於審查樣本的主觀證據，而非模型準確度、供應商排名、機率或生物特徵相似度。

已發布的基準測試協議不可互換

下方對照表僅記錄主要論文所描述的設定。它不複製其結果表格、不聲稱每個資料集均可下載，也不將來自不同評估器的數值轉化為單一排行榜。

協議與來源比較單位報告的測量項目可比性邊界
CASIA FaceSwapping根據三種因素隔離協議組合的來源-目標影片對。正常：來自正常錄製的 4,500 對不重疊同種族群對。跨種族：1,200 對涵蓋亞洲、非洲與高加索群體之間的雙向配對。跨屬性：4,300 對涵蓋正常以及姿態、表情或光照變化的雙向配對。身份檢索、身份相似度、姿態誤差、表情誤差、FID、主體一致性、背景一致性。此對照表中未總結人工審查協議。三個切片在 CASIA 設定內隔離不同因素。其數值取決於該論文的配對建構、模型、特徵提取器、解析度與聚合方式。
IDBench-V200 對論文報告的真實世界來源影片與目標影像配對。一個 200 對評估集，涵蓋小臉、極端頭部姿態、嚴重遮擋、複雜或動態表情以及雜亂多人場景。ArcFace 身份相似度、InsightFace 身份相似度、CurricularFace 身份相似度、逐影格身份相似度變異數、姿態誤差、表情誤差、背景一致性、主體一致性、動態平滑度、FVD。該論文報告了 19 個評估器，使用 1 至 5 分評分身份相似度、屬性保留與影片品質。此行僅記錄論文報告的協議。它不主張公開下載可用性、不重現結果，也不使其數值可移植至另一個基準測試。
CanonSwap VFS 基準測試從 VFHQ 取樣的 100 對來源-目標配對；每個目標使用前 100 個影格與對應的四秒音訊。一個 100 對影片人臉交換評估集，具有固定的影格與音訊視窗。身份相似度、身份檢索、姿態誤差、表情誤差、視線誤差、眼縱橫比誤差、LSE-D、LSE-C、光流時間一致性、FVD。此對照表中未總結人工審查協議。該協議使用論文特定的影格、音訊、估計器與特徵提取器選擇。其數值不得直接與 IDBench-V 或 CASIA 數值進行比較。

下載指標決策對照圖

JSON 保留了全部 9 個指標系列、3 協議對照表、先決條件、解讀方向、證據邊界與主要來源。CSV 包含指標系列表格；BibTeX 記錄提供穩定歸屬。

為決策使用正確的證據： 自動化指標需要固定的資料集、評估器、前處理管線、樣本數量與重複輸出。此本地評分卡記錄單一審查結果中的可見缺陷，並刻意不模仿自動化基準測試。

五步驟評估協議

使每次審查具有足夠的可重複性，以便他人檢查

  1. 選擇輸出類型並識別樣本。 選擇照片、影片或 GIF，並記錄樣本識別碼、審查員和審查日期。
  2. 確認三道關鍵發布門檻。 確認權限，驗證預期的身份映射，並審查是否需要 AI 內容揭露。
  3. 審查每項適用的標準。 在適用的情況下，對身份、臉部邊界、姿態和表情、光影、遮擋、技術完整性和時間穩定性進行評分。
  4. 在不覆蓋門檻的情況下讀取加權結果。 使用結果來優先處理修正。數值分數絕不能覆蓋未解決的權限、映射或揭露閘道。
  5. 匯出完整的證據記錄。 下載 JSON 或 CSV，保留備註，並對您打算比較的每個輸出重複相同的協定。
供應商比較需要更多證據： 使用相同的允許輸入、重複獨立運行、多位審查員、記錄的觀看條件以及統計報告。單一手動挑選的輸出無法確立平均模型品質。

證據邊界與來源

主觀審查僅在其限制可見時才有用

邊界

該分數是對一個審查輸出所做的結構化人類觀察，而非生物特徵身份測量。

邊界

評分量表無法確立模型準確性、平均品質、安全性、速度、可靠性或供應商優越性。

邊界

高分數不能取代同意、揭露、法律、可及性或特定受眾審查。

邊界

跨供應商的聲明需要相同的輸入、重複運行、獨立審查員、記錄的觀看條件以及統計報告。

評分卡問題

該數字能及不能確立什麼

這會上傳我的媒體或筆記嗎？

不會。頁面沒有媒體輸入，且評分卡控制項不會將評分或筆記發送給 DeepSwapAI。

這是生物特徵身份分數嗎？

不是。它是對可見輸出特徵的記錄性人類觀察，而非人臉辨識準確性或嵌入相似度。

一個分數能對人臉交換供應商進行排名嗎？

不能。一個可辯護的比較需要共享輸入、重複輸出、多位審查員、受控觀看條件及統計報告。

為什麼時間穩定性從照片中排除？

靜態影像沒有幀序列。照片模式將六個適用的標準從 90 基礎權重點標準化為 100。

我可以重複使用評分標準嗎？

是的。已發布的 JSON 和空白 CSV 使用 CC BY 4.0，並包含所需的歸屬聲明及可下載的 BibTeX 記錄。

FID 能測量一個人臉交換輸出嗎？

不能。FID 比較生成影像集與參考影像集的分佈。一張影像不是一個分佈。

身份應與來源還是目標進行比較？

身份檢索與相似度通常將輸出與來源進行比較。姿態與表情保留通常將輸出與目標進行比較。

CASIA FaceSwapping、IDBench-V 和 CanonSwap 的值可以直接比較嗎？

不能。它們的配對建構、挑戰切片、評估器、特徵提取器、幀或音訊視窗、預處理及聚合方式不同。在比較數值前，請先重現一個共享協定。

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。

開始換臉