6個受控樣本
參考、降低解析度、柔焦、低曝光、高曝光和重度 JPEG 壓縮。
研究
研究
研究. 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
研究
本頁以繁體中文說明研究的用途、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
這是一個輸入壓力測試，而非 AI 準確性排行榜
該實驗圍繞同一個 DeepSwapAI 擁有的來源創意，一次更改一個變量族。它發布解碼後的像素測量值和精確轉換。它不執行換臉、比較模型、估計身份相似性或宣布品質贏家。
5個像素測量值
平均亮度、對比度標準差、暗部裁切、高光裁切和相鄰邊緣差異。
0個輸出聲明
無生成圖像、成功率、逼真度分數、身份分數、速度結果或產品排名。
受控變體
查看測量值背後的確切圖像集
每個圖版都源自同一個來源資產。視覺檢查仍然必要，因為整體指標無法顯示每個局部偽影。
測量資料
在最大512像素分析邊長下的解碼像素測量值
亮度使用 Rec. 709 係數。暗部裁切計算亮度等於或低於10的像素；高光裁切計算亮度等於或高於245的像素。邊緣差異是水平和垂直相鄰像素之間的平均絕對亮度差異。
| 變體 | 尺寸 | 平均亮度 | 對比度標準差 | 暗部裁切 | 高光裁切 | 邊緣差異 |
|---|---|---|---|---|---|---|
| 參考編碼 | 960 x 540 | 125.82 | 58.95 | 1.22% | 0% | 7.74 |
| 降低解析度 | 320 x 180 | 126.22 | 58.81 | 1.1% | 0.01% | 10.55 |
| 柔焦 | 960 x 540 | 124.8 | 55.19 | 0.16% | 0% | 2.68 |
| 低曝光 | 960 x 540 | 57.18 | 30.37 | 9.22% | 0% | 3.87 |
| 高曝光 | 960 x 540 | 197.15 | 62.53 | 0% | 36.64% | 8.41 |
| 重度 JPEG 壓縮 | 960 x 540 | 125.58 | 58.95 | 1.29% | 0.01% | 7.45 |
重要： 一個數值是一個測量值，而非通用通過標記。壓縮的 JPEG 說明了原因：其全局測量值仍接近參考，即使視覺區塊和振鈴偽影可能仍然存在。
可重現的方法
精確轉換和不可變的檔案指紋
來源 SHA-256 為 2f293e48f7d5d6a08ce9ab759a124e00ce92f2a204cd530284ce7d1f0ecc7c3d。每個輸出都被解碼，如有需要則在白色背景上合成，按比例調整大小至最長邊不超過512像素，並按行順序取樣。
參考編碼
將擁有的來源調整為 960 x 540 並以品質 82 編碼為 WebP。
SHA-256: 8c852071b02e03d91eb264655fef14654026fa46dc32e736a2b25c2ab0a1186a
降低解析度
將同一來源調整為 320 x 180 並以品質 82 編碼為 WebP。
SHA-256: 955c0e4e97a7af8564b39733b9654d3294abd07fa014c530ca733d8708000cc0
柔焦
調整為 960 x 540，應用 sigma 4.5 的高斯模糊，並以品質 82 編碼為 WebP。
SHA-256: e8edf51e0ef2b38916c858fe4aff932b14081d60ebd55552fbfc360586350886
低曝光
調整為 960 x 540，對 RGB 通道應用 y = 0.52x - 8，限制在8位元範圍內，並以品質 82 編碼為 WebP。
SHA-256: 727172796e3cf8efdefd601d21177321c1bfcfbc458d629a689897aecf442769
高曝光
調整為 960 x 540，對 RGB 通道應用 y = 1.35x + 45，限制在8位元範圍內，並以品質 82 編碼為 WebP。
SHA-256: f2b01d592108fea3bb82e888733d89fb7356c307cda00d6d55d587b422da957b
重度 JPEG 壓縮
調整為 960 x 540 並以品質 15 和 4:2:0 色度子取樣編碼為 JPEG。
SHA-256: cd952c4c50fb78e941a62492e7ef6c3cc2fae96abac7df87aa1f32d4106b97ae
下載完整資料集
JSON 和 CSV 包含公式、範圍、限制、轉換、尺寸、位元組大小、指標和 SHA-256 指紋。BibTeX 檔案提供了穩定的引用。
研究資料目錄
六個具有明確證據邊界的可重複使用資產
此目錄將輸入測量、單輸出人工審查、指標選擇、官方來源產品審查、API 合約審查和插圖像素分析分開。請引用你使用的特定資產、其版本及其規範 URL，而不是將聲明從一種證據類型轉移到另一種。網站保持規範性； 公共研究儲存庫 及 不可變、校驗和驗證的 v1.6.2 版本 提供一個版本化的外部鏡像。GitHub 的簽名版本發布證明綁定了提交 c1d268d4a140
受控輸入就緒基準測試 v1.0.0
六種受控影像變體、五種解碼像素測量、精確轉換、檔案指紋、JSON、CSV 及 BibTeX。標準資料集： deepswapai.com/research.
人臉置換輸出品質評分卡 v1.0.0
一套獨立的七項標準人工審查評分表，包含本地計算、可重複使用的 JSON 與 CSV，以及對生物特徵或供應商層級主張的明確限制。 打开评分卡.
人臉置換評估指標決策圖 v1.1.0
9 個引用來源的評估系列，加上一份 3 協定研究交叉對照表，每個項目均附有明確輸入、前置條件與解釋邊界。不執行任何指標，也不對任何供應商進行評分。 開啟指標圖.
經來源驗證的人臉置換工具概覽 v1.0.0
13 筆標準化產品記錄，由 66 個當前官方來源網址支援，包含可見的未知項目，且無輸出品質排名。 開啟比較資料集.
人臉置換 API 合約概覽 v1.0.0
6 筆標準化 API 記錄，由 21 個當前官方來源網址支援。保留不相容的價格單位與官方來源衝突，不執行生成請求或對供應商進行排名。 開啟 API 合約資料集.
官方示範面板審計 v1.0.0
三個對齊的解碼像素區域、精確裁切座標、公式、來源指紋、JSON、CSV 及 BibTeX。僅測量一個圖例，不對生成輸出進行評分。 開啟前後對比審計.
下載標準研究目錄
JSON-LD 描述所有六個資料集、其證據邊界、標準記錄、授權條款、引用與分發方式。CSV 為表格工具提供相同的清單。
引用與重複使用： 引用「DeepSwapAI 受控影像輸入就緒基準測試 v1，https://deepswapai.com/research”. 的 JSON、CSV、公式、轉換與測量中繼資料使用 CC BY 4.0」。引用的範例影像仍歸 DeepSwapAI 所有，且未經授權用於不相關的重複使用。
解釋邊界
實驗所確立的事項與仍未知的事項
解析度是明確的
像素尺寸與檔案大小為精確屬性。放大較小影像會改變尺寸，但無法重建遺失的身份細節。
曝光會留下可測量的裁切
受控的明亮變體將 36.64% 的取樣像素移動到高光裁切範圍。這確立了遺失的輸入範圍，而非預測的輸出缺陷。
模糊會降低局部邊緣變化
柔焦變體將相鄰邊緣差異從 7.74 降至 2.68。該指標涵蓋整個場景，並非僅針對臉部。
壓縮需要視覺審查
重度 JPEG 壓縮可能在保留整體平均值的同時產生局部偽影。技術預檢不得將少數指標轉變為虛假的品質評分。
限制： 一個來源場景並非一個群體。分析器不會偵測臉部、身份、同意、姿勢、表情、視線、頭髮、遮擋或模型行為。它無法預測真實性、準確性、處理成功與否、偏好或最終輸出品質。
從輸入證據到輸出審查
在生成後使用獨立的協議
輸入測量與輸出觀察回答不同的問題。在生成代表性結果後，使用臉部交換品質評分卡記錄身份、融合、姿勢、光線、遮擋、技術完整性與時間穩定性，而不將單一輸出轉化為模型層面的主張。
研究問題
不誇大證據的回答
此基準測試是否測量換臉輸出品質？
不。它僅測量受控輸入圖像屬性。未生成、評分或比較任何換臉輸出。
它能預測真實的結果嗎？
不能。這些測量並未觀察生成模型、身份、姿勢、表情、遮擋或輸出。
為什麼要發布一個在表格中看起來相似的壓縮樣本？
因為它暴露了一個真實的限制：全域聚合測量可能遺漏局部的 JPEG 偽影。
我可以在哪裡測試自己的圖片？
使用本地就緒檢查器。它在您的瀏覽器中應用相同的五項測量定義，無需上傳所選圖片。
我該如何引用或重複使用這些資料？
使用可下載的 BibTeX 記錄或可見的歸屬聲明。測量資料與元資料使用 CC BY 4.0；引用的樣本圖片仍歸 DeepSwapAI 所有。
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。