6个受控样本
参考、降低分辨率、柔焦、低曝光、高曝光和重度 JPEG 压缩。
研究
研究
研究. 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
研究
本页以中文说明研究的用途、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
这是一个输入压力测试，而非AI准确性排行榜
实验一次改变一个变量族，围绕相同的 DeepSwapAI 自有来源创意。它发布解码后的像素测量和精确变换。它不运行换脸、比较模型、估计身份相似性或宣布质量优胜者。
5个像素测量
平均亮度、对比度标准差、暗部裁剪、高光裁剪和相邻边缘差异。
0个输出声明
无生成图像、成功率、逼真度分数、身份分数、速度结果或产品排名。
受控变体
查看测量背后的精确图像集
每个图版源自相同的源资产。视觉检查仍然必要，因为总体指标无法显示每个局部伪影。
测量数据
最大512像素分析边的解码像素测量
亮度使用 Rec. 709 系数。暗部裁剪计数亮度小于或等于10；高光裁剪计数亮度大于或等于245。边缘差异是水平和垂直相邻像素的平均绝对亮度差。
| 变体 | 尺寸 | 平均亮度 | 对比度标准差 | 暗部裁剪 | 高光裁剪 | 边缘差异 |
|---|---|---|---|---|---|---|
| 参考编码 | 960 x 540 | 125.82 | 58.95 | 1.22% | 0% | 7.74 |
| 降低分辨率 | 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 压缩 | 960 x 540 | 125.58 | 58.95 | 1.29% | 0.01% | 7.45 |
重要： 一个值是一个测量值，而非通用通过标记。压缩的 JPEG 说明了原因：其全局测量值仍接近参考值，即使视觉块状和振铃伪影可能仍然存在。
可重复方法
精确变换和不可变的文件指纹
源 SHA-256 为 2f293e48f7d5d6a08ce9ab759a124e00ce92f2a204cd530284ce7d1f0ecc7c3d. 每个输出被解码，如有需要则在白色背景上合成，按比例调整大小至最长边不超过512像素，并按行顺序采样。
参考编码
将自有源调整大小为960 x 540，并以质量82编码为 WebP。
SHA-256: 8c852071b02e03d91eb264655fef14654026fa46dc32e736a2b25c2ab0a1186a
降低分辨率
将相同源调整大小为320 x 180，并以质量82编码为 WebP。
SHA-256: 955c0e4e97a7af8564b39733b9654d3294abd07fa014c530ca733d8708000cc0
柔焦
调整大小为960 x 540，应用 sigma 4.5 的高斯模糊，并以质量82编码为 WebP。
SHA-256: e8edf51e0ef2b38916c858fe4aff932b14081d60ebd55552fbfc360586350886
低曝光
调整大小为960 x 540，对RGB通道应用 y = 0.52x - 8，钳制到8位范围，并以质量82编码为 WebP。
SHA-256: 727172796e3cf8efdefd601d21177321c1bfcfbc458d629a689897aecf442769
高曝光
调整大小为960 x 540，对RGB通道应用 y = 1.35x + 45，钳制到8位范围，并以质量82编码为 WebP。
SHA-256: f2b01d592108fea3bb82e888733d89fb7356c307cda00d6d55d587b422da957b
重度 JPEG 压缩
调整大小为960 x 540，并以质量15和4:2:0色度子采样编码为 JPEG。
SHA-256: cd952c4c50fb78e941a62492e7ef6c3cc2fae96abac7df87aa1f32d4106b97ae
下载完整数据集
JSON 和 CSV 包含公式、范围、限制、变换、尺寸、字节大小、指标和 SHA-256 指纹。BibTeX 文件提供稳定的引用。
研究数据目录
六个具有明确证据边界的可重用资产
此目录将输入测量、单输出人工审查、指标选择、官方来源产品审查、API 合同审查和插图像素分析分开。请引用你使用的特定资产、其版本及其规范 URL，而不是将声明从一种证据类型转移到另一种。网站保持规范； 公共研究仓库 和 不可变、校验和验证的 v1.6.2 版本 提供版本化的外部镜像。GitHub 的签名发布证明绑定提交 c1d268d4a140
受控输入就绪基准测试 v1.0.0
六个受控图像变体、五个解码像素测量、精确变换、文件指纹、JSON、CSV 和 BibTeX。规范数据集： deepswapai.com/research.
换脸输出质量评分卡 v1.0.0
一个独立的七项标准人工评审细则，包含本地计算、可复用的 JSON 和 CSV，以及对生物特征或提供商级别声明的明确限制。 打开评分卡.
换脸评估指标决策图 v1.1.0
9 个来源引用的评估系列，加上一个 3 协议研究交叉对照表，每个都有明确的输入、前提条件和解释边界。不运行任何指标，也不对任何提供商进行评分。 打开指标图.
来源核实的换脸工具全景图 v1.0.0
13 个标准化产品记录，由 66 个当前官方来源 URL 支持，包含可见的未知项，无输出质量排名。 打开比较数据集.
换脸 API 合同全景图 v1.0.0
6 个标准化 API 记录，由 21 个当前官方来源 URL 支持。它保留了不兼容的价格单位和官方来源冲突，而不运行生成请求或对提供商进行排名。 打开 API 合同数据集.
官方演示面板审计 v1.0.0
三个对齐的解码像素区域、精确裁剪坐标、公式、来源指纹、JSON、CSV 和 BibTeX。它测量一个插图，不对生成的输出进行评分。 打开前后对比审计.
下载规范研究目录
JSON-LD 描述了所有六个数据集、它们的证据边界、规范记录、许可证、引用和分发。CSV 为表格工具提供了相同的清单。
引用和重用： 引用“DeepSwapAI 受控图像输入就绪基准测试 v1，https://deepswapai.com/research”. 的 JSON、CSV、公式、变换和测量元数据使用 CC BY 4.0。引用的示例图像仍归 DeepSwapAI 所有，且未重新许可用于无关的重用。
解释边界
实验确定了什么，以及什么仍然未知
分辨率是明确的
像素尺寸和文件大小是精确属性。放大小图像会改变尺寸，但无法重建缺失的身份细节。
曝光留下可测量的裁剪
受控的明亮变体将36.64%的采样像素移动到高光裁剪范围。这建立了丢失的输入范围，而非预测的输出缺陷。
模糊降低了局部边缘变化
柔焦变体将相邻边缘差异从 7.74 降低到 2.68。该指标是场景范围的，并不孤立面部。
压缩需要视觉审查
重度 JPEG 压缩可以在保留全局平均值的同时产生局部伪影。技术预检不得将少数指标转化为虚假的质量评分。
局限性： 一个来源场景并非一个群体。分析器不检测面部、身份、同意、姿势、表情、注视、头发、遮挡或模型行为。它无法预测真实感、准确性、处理成功、偏好或最终导出质量。
从输入证据到输出审查
在生成后使用单独的协议
输入测量和输出观察回答不同的问题。在生成代表性结果后，使用换脸质量评分卡记录身份、融合、姿势、光照、遮挡、技术完整性和时间稳定性，而不将一个输出转化为模型范围的声明。
研究问题
在不夸大证据的情况下给出答案
此基准测试是否测量换脸输出质量？
不。它仅测量受控输入图像属性。未生成、评分或比较任何换脸输出。
它能预测逼真的结果吗？
不能。这些测量不观察生成模型、身份、姿势、表情、遮挡或输出。
为什么要发布一个在表格中看起来相似的压缩样本？
因为它暴露了一个真实的局限性：全局聚合测量可能会遗漏局部 JPEG 伪影。
我在哪里可以测试我自己的图像？
使用本地就绪检查器。它在您的浏览器中应用相同的五个测量定义，而无需上传所选图像。
我如何引用或重用数据？
使用可下载的 BibTeX 记录或可见的署名声明。测量数据和元数据使用 CC BY 4.0；引用的示例图像仍归 DeepSwapAI 所有。
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。