Introduction
Les démonstrations de changement de visage peuvent sembler parfaites, mais lorsqu'il s'agit de cas réels, elles échouent souvent. Une étude a été menée sur 10 outils de changement de visage pour évaluer leur efficacité sous des contraintes de niveau gratuit.
Contexte Technique
Les outils de changement de visage utilisent généralement la détection de repères faciaux 2D, qui peut échouer lorsque le visage est tourné. Les outils qui utilisent la reconstruction de visage 3D ou des données d'entraînement multi-vues sont plus susceptibles de réussir. Les systèmes robustes utilisent des modèles de cohérence temporelle et des contraintes de suivi optique pour maintenir la stabilité de l'identité.
Analyse et Implications
Les résultats de l'étude montrent que 8 outils sur 10 ont échoué à produire des sorties utilisables en raison de problèmes de profil de côté, de mouvement et de résolution. Seuls deux outils, Remaker et Supawork, ont réussi à produire des sorties utilisables de manière cohérente. Les outils qui utilisent l'optimisation de visage de côté et la normalisation de résolution interne sont plus susceptibles de réussir.
Perspective
Pour intégrer le changement de visage dans un produit, il est essentiel de prendre en compte les contraintes de profil de côté, de stabilité temporelle et de normalisation de résolution interne. Les systèmes qui utilisent la poursuite de visage, le lissage temporel et les modèles 3D sont plus susceptibles de réussir. Même les niveaux payants ne résolvent pas complètement le problème de la cohérence de l'identité sous mouvement et changement d'angle.
