技术术语表
技术术语表
技术术语表. 适用于获准照片、批量、合照映射、视频和 GIF 工作流的浏览器 AI 换脸。 Conteúdo localizado: zh-CN. 来源核验比较.
实用指南
技术术语表
本页以中文说明技术术语表的用途、边界与核验方式。页面下方保留已审核的产品事实、数字、链接和来源；请在获得相关人员许可后使用媒体。
来源核验比较: 适用于获准照片、批量、合照映射、视频和 GIF 工作流的浏览器 AI 换脸。
直接回答
换脸术语需要定义和限制
源人脸提供身份线索。目标媒体提供场景和预期的非身份属性。检测、对齐、掩码和生成描述工作流程的各个部分；身份相似性、感知度量和人工评审回答不同的评估问题。
实施边界： 本页面解释研究论文、评估协议和C2PA规范中出现的术语。此处引用并不表示DeepSwapAI使用每个命名的方法、架构、模型、指标或来源特性。
术语索引
跳转到您需要的概念
工作流基础
工作流基础
定义进入换脸工作流的媒体角色和几何预处理术语。
换脸
#也称为： AI换脸，人脸交换
一项计算机视觉任务，将身份线索从源人脸迁移到目标图像或视频中，同时尝试保留目标属性，如姿态、表情、发型和背景。
证据边界： 这是一个任务定义，并非保证每个系统保留每个属性或特定使用具有权限。
主要来源： PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion; Fine-Grained Face Swapping via Regional GAN Inversion
源面孔
#也称为： 源身份，身份参考
提供身份线索的人或参考图像，这些线索用于生成的人脸。
证据边界： 源通常不定义目标场景、身体、头发、姿势或背景，具体划分取决于方法。
主要来源： PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion; Reinforced Disentanglement for Face Swapping without Skip Connection
目标媒体
#也称为： 目标图像，目标视频
提供场景和非身份属性的图像或视频，换脸方法试图保留这些属性。
证据边界： 不同方法保留的目标属性不同，因此必须评估目标保留而非假设。
主要来源： PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion; DynamicFace: High-Quality and Consistent Face Swapping for Image and Video
人脸检测
#也称为： 人脸定位，人脸定位
在图像或视频帧中定位一个或多个人脸区域的过程，之后进行对齐、特征提取或生成。
证据边界： 检测到的人脸区域不是身份决策、同意检查或后续处理成功的证明。
主要来源： RetinaFace: Single-Shot Multi-Level Face Localisation in the Wild
面部关键点
#也称为： 面部特征点，特征点坐标
估计的面部关键点，如眼角、鼻子和嘴巴位置，用于描述面部几何结构以进行对齐或条件控制。
证据边界： 特征点布局、点数和误差单位因检测器和协议而异，不能直接互换。
主要来源： RetinaFace: Single-Shot Multi-Level Face Localisation in the Wild; DiffSwap: High-Fidelity and Controllable Face Swapping via 3D-Aware Masked Diffusion
人脸对齐
#也称为： 面部对齐，对齐人脸裁剪
一种几何归一化步骤，利用检测到的面部结构将人脸置于一致的裁剪、缩放和方向中，以便后续处理。
证据边界： 对齐约定和变换各异，对齐裁剪不确立身份、质量或权限。
主要来源： RetinaFace: Single-Shot Multi-Level Face Localisation in the Wild; ArcFace: Additive Angular Margin Loss for Deep Face Recognition
身份与保留
身份与保留
用于将源身份线索与结果试图保留的目标属性分离的概念。
人脸嵌入
#也称为： 身份嵌入，面部特征向量
一种学习到的数值表示，设计用于在特定识别模型和预处理协议下，在特征空间中比较人脸图像。
证据边界： 向量维度、距离函数和决策阈值取决于模型和评估设置；嵌入本身不是身份判定，也不保证数学上不可重建。
主要来源： ArcFace: Additive Angular Margin Loss for Deep Face Recognition
身份相似度
#也称为： 身份保留，身份保留分数
一种依赖于协议的比较，在源身份表示和输出表示之间进行，通常使用命名的人脸编码器和相似度函数计算。
证据边界： 分数不能跨编码器、裁剪、数据集、阈值或人口统计特征移植，不应作为单个输出的生物特征判定。
主要来源： ArcFace: Additive Angular Margin Loss for Deep Face Recognition; PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion
目标属性保留
#也称为： 属性保留，目标一致性
结果在改变面部身份线索的同时，保留预期目标特征（如姿态、表情、发型、光照、服装和背景）的程度。
证据边界： 必须命名评估的属性和估计器；一个聚合分数可能掩盖单个属性的失败。
主要来源： PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion; DynamicFace: High-Quality and Consistent Face Swapping for Image and Video
人脸掩码
#也称为： 交换口罩，面部口罩
一种空间映射，标识哪些图像区域可以作为换脸操作的一部分进行生成、混合或评估。
证据边界： 口罩的构造和语义因方法而异；口罩本身无法解决遮挡、边界或颜色不一致问题。
主要来源： DiffSwap: High-Fidelity and Controllable Face Swapping via 3D-Aware Masked Diffusion; Fine-Grained Face Swapping via Regional GAN Inversion
人脸解析
#也称为： 面部语义分割
对面部组件及周围区域（如皮肤、眼睛、嘴巴、头发或背景）进行像素级语义分割。
证据边界： 标签集和分割质量取决于解析器和数据集，错误的区域可能传播到后续的合成或合成中。
人脸边界融合
#也称为： 边界混合，面部合成
合成步骤，将生成的面部区域在肤色、边缘、光照和附近内容方面过渡到目标中。
证据边界： 视觉上平滑的边界并不能建立正确的身份、自然的内部特征或跨视频帧的一致行为。
主要来源： Fine-Grained Face Swapping via Regional GAN Inversion; Reinforced Disentanglement for Face Swapping without Skip Connection
遮挡
#也称为： 面部遮挡，被遮挡的面部
部分人脸被头发、手、眼镜、物体、其他人或图像边界遮挡的情况。
证据边界： 遮挡处理依赖于方法和场景；基准必须指定受影响的区域和观看条件。
主要来源： Fine-Grained Face Swapping via Regional GAN Inversion; DynamicFace: High-Quality and Consistent Face Swapping for Image and Video
头部姿态
#也称为： 面部姿态，头部方向
头部相对于相机的估计方向，通常由偏航角、俯仰角和翻滚角表示，或通过关键点和3D参数表示。
证据边界： 姿态值取决于估计器和坐标约定；仅匹配姿态无法预测输出的真实感。
主要来源： DiffSwap: High-Fidelity and Controllable Face Swapping via 3D-Aware Masked Diffusion; PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion
面部表情
#也称为： 表情保留
与微笑、眨眼或张嘴等动作相关的面部特征可见配置，常被视为换脸中的目标属性。
证据边界： 表情标签和参数依赖于估计器，可能遗漏微妙、不对称或文化解释的行为。
主要来源： PixSwap: High-Resolution Face Swapping for Effective Reflection of Identity via Diffusion; DynamicFace: High-Quality and Consistent Face Swapping for Image and Video
视频一致性
视频一致性
单张静态图像中不存在的运动和帧序列概念。
时间一致性
#也称为： 时间连贯性，帧间一致性
身份线索、目标属性和视觉细节在连续视频帧中的稳定性，而非单个孤立帧。
证据边界： 高一致性度量可能一致地保留错误结果，因此身份正确性和可见质量必须单独评估。
主要来源： 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
#也称为： 运动场，像素对应
估计的密集运动场，映射帧间图像位置，可支持运动分析、扭曲或时间诊断。
证据边界： 光流是一种估计，可能在遮挡、模糊、光照变化和新可见区域周围失败；它本身不是质量分数。
主要来源： RAFT: Recurrent All-Pairs Field Transforms for Optical Flow; CanonSwap: High-Fidelity and Consistent Video Face Swapping via Canonical Space Modulation
评估
评估
在明确条件下回答不同质量问题的度量和审查协议。
Structural Similarity Index (SSIM)
#也称为： SSIM
一种全参考图像相似度度量，比较测试图像和参考图像之间的亮度、对比度和结构。
证据边界： SSIM需要有意义对齐的参考，不是面部特定的，其值取决于尺度、窗口化、颜色处理和预处理。
主要来源： Image Quality Assessment: From Error Visibility to Structural Similarity
Learned Perceptual Image Patch Similarity (LPIPS)
#也称为： LPIPS，学习感知相似度
一种基于深度网络特征的感知距离，根据人类对图像块相似度的判断进行评估。
证据边界： LPIPS不是身份分数；值取决于所选网络、校准、图像准备和比较协议。
主要来源： The Unreasonable Effectiveness of Deep Features as a Perceptual Metric
Frechet Inception Distance (FID)
#也称为： FID
生成图像集合和参考图像集合特征分布之间的集合级距离，最初使用Inception特征计算。
证据边界： FID不是一个可辩护的单图像评分，其结果取决于样本数量、特征提取器、预处理、参考集和实现。
主要来源： 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
无参考质量评估
#也称为： NR-IQA，盲图像质量评估
一种从输出中估计视觉质量的方法，无需配对的原始参考图像。
证据边界： 其有效性取决于训练数据和验证设计；一个评分可能在未见过的方法、内容或失真上失败。
主要来源： Rank-based No-reference Quality Assessment for Face Swapping
人工评审评分卡
#也称为： 人工评估标准，输出评审标准
一种可重复的评估标准，要求评审员记录特定输出的可见标准、评分锚点、关键门槛和备注。
证据边界： 它记录结构化的人类观察，而非模型准确性、生物特征身份、概率或供应商范围的排名。
主要来源： DeepSwapAI 换脸输出质量评分卡; Rank-based No-reference Quality Assessment for Face Swapping
指标解读
四条规则防止误导性比较
命名关系
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。这是不同的问题。
保持协议不变
数据集、裁剪、评估器、预处理、实现、样本数量和聚合都可能改变报告值。共享的指标名称是不够的。
将集合级和单输出证据分开
FID描述图像集分布。SSIM和LPIPS需要有意义的比较参考。人工评分卡记录对一个评审输出的可见观察。
不要压缩每个质量维度
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败，应保持可检查性。
术语表问题
如何使用这些定义
此页面是否揭示了确切的DeepSwapAI模型栈？
不。它定义了行业和研究概念，并未声称每种引用的方法都是生产实现的一部分。
我能否在两篇论文之间比较同一指标？
只有在检查了数据集、评估器、预处理、实现和聚合规则匹配之后。
FID能否衡量单个输出？
不。FID 是一种分布层面的度量指标，需要生成图像集和参考图像集。
内容凭证能证明图像是真实的吗？
不。它们提供来源信息和验证信号，而非事实真伪判断。
开始换脸
适用于获准照片、批量、合照映射、视频和 GIF 工作流的浏览器 AI 换脸。