Identikit forensi
con modelli
di diffusione.
Le cinque pipeline dello strumento, i lavori scientifici su cui poggia, e il collegamento con la fenotipizzazione del DNA.
Generare togliendo rumore.
Un modello di diffusione impara a fare una cosa sola: data un'immagine un po' rumorosa, prevedere il rumore da togliere. Ripetendo l'operazione decine di volte a partire da rumore puro, emerge un'immagine.
Le tre parti di Stable Diffusion.
Quando nelle slide si legge «il modello», in realtà sono tre reti che lavorano insieme.
VAE — l'autoencoder
Comprime l'immagine da 512×512×3 valori a una griglia latente circa 48 volte più piccola, e sa ricostruirla. Tutta la diffusione avviene in questo spazio ridotto: è ciò che rende la generazione ad alta risoluzione praticabile su una GPU sola.
È anche il pezzo che su schede Turing va forzato in float32 — vedi la slide sui vincoli hardware.
U-Net — chi predice il rumore
La rete che a ogni passo guarda il latente rumoroso e stima il rumore presente. Ha forma a «U»: prima riduce la risoluzione per cogliere la struttura d'insieme, poi la risale per recuperare il dettaglio, con collegamenti diretti fra i due rami.
CLIP — chi legge il prompt
Un encoder di testo trasforma il prompt in una sequenza di vettori. La U-Net li consulta a ogni passo tramite cross-attention: un meccanismo che per ogni zona dell'immagine pesa quali parole del prompt sono rilevanti. È così che «barba» agisce sul mento e non sulla fronte.
I parametri, in parole semplici.
Tre servizi, un'unica interfaccia.
Un solo switch cambia tutto
Il selettore Locale / OpenRouter nell'intestazione commuta l'intero flusso: stessi tab, stessi gesti, motore diverso. L'operatore non deve imparare due strumenti.
Perché i due backend restano separati
Sono due contenitori distinti che non si parlano. Chi lavora su materiale riservato può non avviare affatto il servizio remoto: l'invio a terzi diventa impossibile per costruzione, non per disciplina.
Cinque tab, un flusso di lavoro.
Genera
Il volto nasce dagli attributi riferiti dal testimone.
Img2Img
Variazioni dell'intero volto, mantenendo l'identità.
Inpaint
Modifica di una sola zona; il resto resta invariato.
Transform
Spostamento dei tratti lungo frecce, per correzioni di forma.
AiDNA EVC
Il volto parte da un profilo genetico anziché da un racconto.
Generazione
da attributi.
Otto attributi strutturati — etnia, sesso, lunghezza, colore e stile dei capelli, colore degli occhi, occhiali, barba — più una descrizione libera. Il backend li compone in un prompt e produce n varianti in una sola passata.
Misurato su GTX 1660 Ti 6 GB, profilo lite, SD 1.5 Dreamshaper: circa 15 secondi per volto.
Dagli attributi al prompt.
Prompt prodotto dal backend per gli attributi uomo · capelli corti castano scuro · occhi marroni · barba:
La coda in corsivo è un vincolo, non uno stile
Posa frontale, entrambe le orecchie visibili, sfondo bianco uniforme. Serve a rendere i volti confrontabili tra loro, come una foto segnaletica: senza questo vincolo il modello varierebbe inquadratura e illuminazione a ogni generazione.
Il negative prompt
Un secondo prompt elenca ciò che non deve comparire — pose di tre quarti, sguardo altrove, sfondi colorati, rese illustrative o da rendering. Il modello lo usa come polo negativo del calcolo di guidance.
Otto modi di togliere il rumore.
Lo scheduler decide la traiettoria: quanto rumore togliere a ogni passo. «Karras» indica una distribuzione dei livelli di rumore che concentra gli step dove incidono di più.
| Scheduler | Comportamento |
|---|---|
| DPM single-step default | Miglior compromesso qualità/velocità: risultati nitidi e stabili già in pochi step. |
| DPM single-step + Karras | Stessa base con transizioni di rumore più morbide: spesso dettagli migliori a parità di step. |
| DPM multi-step | Riusa le stime dei passi precedenti per convergere meglio. Rende al massimo alzando il numero di step. |
| DPM multi-step + Karras | Bilancia il rumore lungo l'intera traiettoria: rese più uniformi. |
| Euler | Il metodo classico di integrazione. Semplice e prevedibile: utile quando serve riproducibilità. |
| DPM-SDE | Variante stocastica: reinietta rumore a ogni passo. Più varietà e texture, ma meno deterministico. |
| DPM-SDE + Karras | La variante stocastica con transizioni morbide: buon dettaglio soprattutto sulla pelle. |
| TCD | Pensato per 4–8 step. Molto rapido con i modelli Lightning; richiede di abbassare gli step. |
Che cosa vuol dire, esattamente,
togliere il rumore.
«Denoising» suggerisce che a ogni passo si sottragga un po' di disturbo da un'immagine. Non è così: si sta risolvendo numericamente un'equazione, e capirlo spiega tutto il resto.
Quattro assi, otto combinazioni.
Se generare è integrare un'equazione, gli scheduler sono metodi di integrazione numerica: si distinguono per le stesse quattro scelte che distinguono un solutore da un altro.
Ordine
Quanta informazione si usa per stimare la curvatura. Il 1° ordine segue la tangente e sbaglia nelle curve, il 2° la corregge: meno errore per passo, quindi meno passi.
Single vs multi-step
Due modi di ottenere il 2° ordine. Single-step: valutazioni in più dentro il passo, costoso ma autonomo. Multi-step: riusa le stime dei passi precedenti, gratis ma serve una rincorsa.
Deterministico o stocastico
L'ODE segue la curva e basta. La variante SDE reinietta rumore fresco a ogni passo: corregge gli errori accumulati e aggiunge grana, ma il risultato dipende da quel caso in più.
Distribuzione dei σ
Dove cadono i gradini lungo la discesa. Uniforme spreca passi dove non cambia nulla; Karras li addensa a σ basso, dove si decide il dettaglio.
| Scheduler | Ordine | Struttura | Traiettoria | σ | Dove conviene |
|---|---|---|---|---|---|
| DPM single-step | 2° | single-step | deterministica | uniforme | Pochi passi (15–25). Il default |
| DPM single-step + Karras | 2° | single-step | deterministica | Karras | Come sopra, dettaglio un filo migliore |
| DPM multi-step | 2° | multi-step | deterministica | uniforme | Da 25 passi in su, quando la rincorsa si ammortizza |
| DPM multi-step + Karras | 2° | multi-step | deterministica | Karras | Molti passi, rese uniformi |
| Euler | 1° | — | deterministica | uniforme | Riferimento prevedibile; serve più passi |
| DPM-SDE | 2° | single-step | stocastica | uniforme | Più varietà e texture, meno ripetibile |
| DPM-SDE + Karras | 2° | single-step | stocastica | Karras | Grana della pelle, volti meno «lisci» |
| TCD | non integra: il modello è distillato per saltare | 4–8 passi, solo con modelli Lightning | |||
Per l'uso forense: solo le traiettorie deterministiche garantiscono che stesso seed e stessi parametri riproducano il file identico. Con le SDE il seed fissa la partenza, non il rumore reiniettato lungo la strada.
Variazioni dell'intero volto.
Quando il testimone dice «ci somiglia, ma non è ancora lui», serve esplorare attorno al volto ottenuto. La img2img aggiunge rumore all'immagine esistente e la rigenera parzialmente: il parametro strength decide quanto rumore, e quindi quanto allontanarsi.
Prompt di modifica: "same man, slightly older, tired expression" · 3 varianti in 26,2 s sulla 1660 Ti. Fascia utile per conservare l'identità: 0,4–0,6. Sopra 0,7 il soggetto tende a diventare un'altra persona.
Modifica locale
guidata da maschera.
Un modello di segmentazione etichetta ogni pixel del volto in 19 classi. Da lì nasce la maschera. Il modello rigenera solo l'area bianca; il risultato viene poi ricomposto sull'originale con un bordo sfumato.
Dalla segmentazione al pixel finale.
Perché la ricomposizione è necessaria
Un modello di diffusione, lasciato libero, rigenera tutta l'immagine: anche le zone che volevamo conservare verrebbero ridisegnate in modo leggermente diverso. Reincollare solo l'area mascherata garantisce che il resto del volto resti identico al pixel.
Le regioni disponibili
Capelli, sopracciglia, occhi, naso, orecchie, labbra, barba, incarnato. Ogni regione ha valori preimpostati — per i capelli: castano chiaro e scuro, biondo, bianco, rosso e tre colori di fantasia.
Il parser facciale.
Tre componenti che spesso vengono citate insieme ma fanno cose diverse.
BiSeNet — la rete
Assegna a ogni pixel una delle 19 classi facciali. La segmentazione ha un dilemma: capire il contesto richiede di ridurre la risoluzione, ma dei bordi precisi richiedono di mantenerla. BiSeNet usa due rami paralleli — uno ad alta risoluzione e poco profondo, uno a bassa risoluzione e profondo — e li fonde alla fine.
ResNet — il backbone
Non è un modello a sé: è la rete che estrae le feature per BiSeNet. Il suo contributo storico sono le connessioni residue, che fanno imparare a ogni blocco la differenza rispetto al proprio input invece dell'intera trasformazione.
CelebAMask-HQ — il dataset
30.000 volti annotati a mano con maschere di 19 componenti. Non è codice: definisce il vocabolario delle regioni. Quando l'interfaccia offre «sopracciglia» o «labbra» come preset, sta usando le classi di questo dataset.
Correzioni
di forma.
Alcune correzioni non riguardano il colore ma la geometria: un mento più lungo, occhi più distanti. Il tab Transform sposta i tratti lungo frecce punto-a-punto e rigenera la zona in modo coerente.
68 punti sul volto.
Un predittore di landmark individua in circa un millisecondo 68 punti chiave: contorno del viso, sopracciglia, occhi, naso, bocca. Muovere lo slider «mascella · verticale» sposta i punti del contorno mandibolare verso il basso, e ogni spostamento diventa una freccia.
Dalla nuvola di punti spostati si ricava anche il rettangolo che li contiene: è la maschera dell'area da rigenerare. È il motivo per cui, muovendo uno slider, sul canvas compaiono insieme le frecce e il riquadro verde — visibili nel video accanto e nella figura qui a fianco.
Due implementazioni dello stesso gesto.
Il Transform ha due motori. Quale entra in funzione dipende dal profilo attivo, e la differenza si vede a occhio.
Con Lightning Drag (profilo full, ≥ 16 GB)
Il modello dedicato riceve le coppie di punti e produce direttamente lo spostamento, preservando texture e identità. È la modalità descritta dal paper.
Senza Lightning Drag (profilo lite e OpenRouter)
Il backend costruisce un prompt che descrive a parole lo spostamento, lo applica come img2img limitata alla maschera dei landmark, e ricompone. Non è un drag geometrico: è una riscrittura locale guidata dal testo.
Stessa richiesta ai due backend — mascella verticale +30 — sullo stesso volto. Il lite non regge la riscrittura locale e sfalda la bocca; il modello hosted allunga la mascella lasciando il volto integro. Sotto una certa capacità del modello, il drag simulato non è utilizzabile.
Tre lavori che rendono possibile il drag.
DragDiffusion
- Il problema
- Trascinare un punto di un'immagine e vedere il contenuto seguirlo era possibile sulle GAN, non sui modelli di diffusione.
- Il contributo
- Ottimizza il latente di un singolo passo di diffusione finché le feature del punto di partenza non migrano su quello di arrivo.
- Il limite
- Richiede un'ottimizzazione a ogni modifica: decine di secondi.
LightningDrag
- Il problema
- L'ottimizzazione al momento dell'uso rende il drag inutilizzabile in modo interattivo.
- Il contributo
- Sposta il costo in addestramento: una rete impara una volta per tutte a produrre il risultato dati immagine e punti, senza ottimizzare nulla al momento.
- L'effetto
- Da decine di secondi a circa un secondo per modifica.
IP-Adapter
- Il problema
- I modelli accettano condizioni testuali, ma «questa persona» non si descrive a parole.
- Il contributo
- Un ramo di cross-attention aggiuntivo che inietta le feature di un'immagine di riferimento, addestrando pochi milioni di parametri invece di rifare il modello.
- In Diff-FIT
- Tiene ferma l'identità del soggetto mentre i tratti si spostano.
Quanta GPU serve.
| GPU / VRAM | Profilo | Cosa si ottiene | Drag |
|---|---|---|---|
| 6 GB GTX 1660 Ti · questa demo |
Lite + low VRAM SD 1.5 · ~2 GB |
Genera, Img2Img, Inpaint, EVC. ~15 s per volto a 25 step. | ripiego |
| 8 GB RTX 2060/3060/4060 |
Lite + low VRAM | Stesse pipeline, più margine per batch di varianti. | ripiego |
| 12 GB RTX 3060 12G · 4070 |
Full + low VRAM | SDXL possibile scaricando parte dei pesi sulla CPU: più qualità, più lentezza. | limite |
| 16 GB + RTX 4080/4090 · A4000 |
Full quality SDXL · ~20 GB pesi |
Qualità del paper: RealVisXL V5.0 Lightning e Lightning Drag. | completo |
| 24 GB + A5000 · A100 · L40S |
Full, batch ampi | Tutto attivo, più varianti in parallelo. | completo |
| Nessuna GPU | OpenRouter | Generazione delegata al cloud. La segmentazione resta locale. | ripiego |
Il paper indica 20 GB di VRAM per il caricamento pieno e 15 GB in modalità low-VRAM. Lo stack Studio abbassa la soglia d'ingresso a 6 GB rinunciando a SDXL e al drag dedicato: si perde qualità assoluta, si guadagna la possibilità di girare su un portatile.
GPU locale o modelli hosted.
Lo stesso flusso di lavoro può appoggiarsi a una GPU locale o a modelli remoti. La scelta non è solo tecnica: riguarda dove finiscono i dati.
Locale · GPU
| Dati | Non escono dalla macchina |
| Controllo | Seed, step, guidance, 8 scheduler |
| Costo | Solo elettricità |
| Riproducibilità | Totale a parità di seed |
| Resa misurata | 512² · ~15 s (lite, 6 GB) |
| Vincolo | Serve NVIDIA con CUDA; pesi da scaricare |
OpenRouter · cloud
| Dati | L'immagine viene inviata a terzi |
| Controllo | Varianti, seed e scelta del modello |
| Costo | A immagine — da ~$0,014/MP |
| Riproducibilità | Limitata, dipende dal provider |
| Resa misurata | 1024² · 10–15 s (Nano Banana 2) |
| Vincolo | Serve una API key e connettività |
Il punto dirimente per l'uso forense: in modalità OpenRouter il volto sotto indagine transita su un servizio esterno. Per materiale coperto da segreto istruttorio la modalità locale non è una preferenza ma un requisito.
Sette modelli, un solo switch.
| Modello | Nota |
|---|---|
| Nano Banana 2 · Flash | default |
| Nano Banana Pro | qualità massima |
| Nano Banana 2 Lite | economico |
| Nano Banana | classico |
| FLUX.2 Klein 4B | ~$0,014/MP |
| Seedream 4.5 | $0,04/img |
| GPT Image 1 Mini | — |
L'inpainting che il cloud non offre
I modelli hosted non accettano una maschera: rigenerano l'intera immagine da un prompt. Diff-FIT lo aggira segmentando in locale, inviando immagine e prompt localizzato, e ricomponendo solo dentro la maschera con bordo sfumato. Fuori dalla maschera i pixel restano l'originale: la stessa logica del percorso locale.
Dove sta la chiave
Nel localStorage del browser, inviata nell'header X-OpenRouter-Key, oppure come variabile d'ambiente lato server. Mai nel codice.
Stessa interfaccia, controlli diversi.
Stessi attributi, due backend.
Cosa mostra il confronto
Sul profilo lite il divario è netto: risoluzione quadrupla, pelle e capelli più credibili, meno artefatti, a parità di tempo. Su questa fascia hardware il cloud è semplicemente migliore.
Perché il locale resta necessario
Il confronto cambia con SDXL su una scheda da 16 GB. E soprattutto: nessuna differenza di qualità compensa l'invio del volto di un indagato a un servizio di terzi.
Attributi identici ai due backend nella stessa sessione: uomo bianco, capelli corti castano scuro, occhi marroni, barba. Nota metodologica: il confronto è lite contro cloud, non Diff-FIT contro cloud — il profilo full locale non era eseguibile su questa macchina, che è esattamente il punto della slide precedente.
Quando manca
il testimone.
Su una scena del crimine può non esserci nessuno in grado di descrivere un volto, ma può esserci una traccia biologica. È il punto in cui Diff-FIT smette di essere uno strumento per il testimone e diventa l'ultimo anello di una catena che parte dal DNA.
Fenotipizzazione forense
a microservizi.
AiDNA stima caratteristiche fisiche osservabili a partire da marcatori genetici ed epigenetici, e produce un output strutturato pensato per essere consumato da un motore generativo.
hirisplex_s
Colore di occhi, capelli e pelle dal pannello SNP HIrisPlex-S, con un modello logistico multinomiale.
methylclock
Età dalla metilazione del DNA. Quattro orologi — Forensic 5 CpG, Horvath, Hannum, SkinBlood — combinati in un consenso pesato.
newmarkerAiDNA
Registro estendibile a plugin: calvizie, miopia, lentiggini, fumo. Nuovi marcatori senza toccare il resto.
aggregator
Interroga i predittori in parallelo e costruisce il metafile EVC standardizzato.
Dieci microservizi in tutto, coordinati da un api_gateway, con job_store su PostgreSQL, coda RabbitMQ per le esecuzioni asincrone, un predictive_registry che risolve i predittori a runtime e un function_runner che esegue funzioni versionate in Python, JavaScript e R.
Il vocabolario del DNA forense.
Il contratto fra i due sistemi.
EVC sta per Externally Visible Characteristics: i caratteri visibili dall'esterno. Ogni tratto arriva con la sua distribuzione di probabilità, non come certezza.
Un mapper, non un modello
fit_shared/evc_mapper.py è deterministico: nessuna rete neurale, nessuna interpretazione. Legge i campi e li traduce in frasi di prompt secondo regole fisse. È la scelta che rende l'output ispezionabile e ripetibile.
Un endpoint su entrambi i backend
POST /api/generate/evc accetta il metafile completo o il solo blocco evc, sia in locale sia su OpenRouter.
Quello che il DNA non dice
Forma del naso, taglio di capelli, cicatrici, espressione: non vengono predetti. Il metafile fissa pigmentazione, età, sesso e pochi marcatori — tutto il resto resta indeterminato e va trattato come tale.
Dal profilo
genetico al volto.
Prompt prodotto dal mapper a partire dal metafile:
Ogni frase evidenziata traduce un campo del JSON: age.predicted_years → «38 year old», hair_color.most_likely → «blonde hair», markers_extra[freckles] → «visible freckles». 47 s per tre varianti.
Tre volti, un solo profilo genetico.
Le varianti condividono i tratti predetti — biondo, occhi azzurri, carnagione molto chiara, lentiggini, uomo sui 38 anni — e differiscono in tutto ciò che il DNA non determina.
Dal metafile
eye_color · blue 0.72
hair_color · blonde 0.55
skin_color · very_light 0.50
age · 38 ± 5
sex · male 0.85
freckles · present 0.70
La divergenza tra le varianti non è un difetto: è la rappresentazione visiva dell'incertezza. Un volto solo suggerirebbe una precisione che il dato genetico non possiede.
Come si lavora davvero.
Le cinque pipeline non si usano in fila: si usano in cerchio. Il punto di partenza qui non è un testimone ma il JSON che arriva dall'aggregatore AiDNA.
Cosa rende il ciclo possibile
Ogni risultato ha i pulsanti → Img2Img, → Inpaint, → Transform: diventa immediatamente l'ingresso della pipeline successiva, senza scaricare e ricaricare nulla.
Cosa va annotato a ogni giro
Seed, scheduler, step e guidance di ogni passaggio. Senza quel registro l'identikit finale non è riproducibile, e un risultato non riproducibile è difficile da difendere.
Quanto ci si
avvicina?
L'esperimento: dato un volto «reale» e il profilo genetico corrispondente, si prova a ricostruirlo partendo solo dal metafile e correggendo la geometria con il Transform.
Il colore converge, la forma no.
Chi ha fatto cosa
Il metafile ha portato pigmentazione, età e lentiggini. L'inpaint ha accorciato i capelli e arretrato l'attaccatura — l'unico passo con un effetto visibile a occhio. Il Transform ha stretto mascella e occhi di pochi pixel.
La lettura corretta
Il DNA fissa il colore di una persona, non il suo volto. Un identikit da EVC restringe il campo — esclude chi ha occhi scuri o capelli neri — ma non identifica nessuno. È uno strumento di esclusione, non di riconoscimento.
Avvertenza su questo esperimento
Il volto «target» è stato generato dallo stesso modello a partire da una descrizione affine. La somiglianza che si vede misura quindi la coerenza del generatore, non l'accuratezza della predizione genetica. Una valutazione vera richiede volti reali e DNA reale — è ciò che il paper fa con ArcFace su dataset controllati.
La catena completa.
Perché la giunzione regge
I due sistemi non si conoscono: comunicano solo attraverso un JSON versionato. AiDNA può cambiare modelli predittivi e Diff-FIT può cambiare motore generativo senza che l'altro debba essere modificato.
Cosa manca ancora
Riportare l'incertezza dentro l'immagine: oggi si prende il valore più probabile e il resto della distribuzione va perso. Campionare le varianti secondo le probabilità sarebbe il passo successivo.
I lavori su cui poggia Diff-FIT.
Diff-FIT non introduce un modello nuovo: mette insieme, per un compito forense, risultati che vengono da ambiti diversi. Vale la pena sapere cosa ciascuno ha risolto.
Latent Diffusion Models
- Il problema
- I modelli di diffusione lavoravano sui pixel: per un'immagine 512×512 significa calcolare il rumore su oltre 260.000 valori a ogni passo, per decine di passi. Servivano cluster di GPU.
- Il contributo
- Spostare la diffusione in uno spazio latente compresso da un autoencoder, circa 48 volte più piccolo. Stessa qualità, costo di calcolo ridotto di un ordine di grandezza.
- In Diff-FIT
- È l'architettura di Stable Diffusion, quindi il motore di tutti i tab di generazione.
Deep Residual Learning
- Il problema
- Aggiungendo livelli, le reti profonde peggioravano — e non per overfitting: l'errore in addestramento stesso cresceva. Erano diventate troppo difficili da ottimizzare.
- Il contributo
- La connessione residua: ogni blocco impara la differenza rispetto al proprio ingresso invece dell'intera trasformazione. Se non serve fare nulla, basta imparare zero.
- In Diff-FIT
- ResNet-18/34 è il backbone che estrae le feature per il parser facciale.
BiSeNet
- Il problema
- Nella segmentazione semantica capire cosa c'è richiede di ridurre la risoluzione; tracciare dove finisce richiede di mantenerla. I due obiettivi confliggono.
- Il contributo
- Due rami paralleli — uno spaziale ad alta risoluzione e poco profondo, uno contestuale profondo e a bassa risoluzione — fusi alla fine. Bordi netti in tempo reale.
- In Diff-FIT
- Decide quali pixel sono capelli, occhi o labbra: è ciò che produce le maschere di inpainting.
Dataset, accelerazione, landmark.
CelebAMask-HQ
- Cos'è
- Non un modello ma un dataset: 30.000 volti ad alta risoluzione con maschere disegnate a mano per 19 componenti facciali.
- Perché conta
- Definisce il vocabolario delle regioni. Le classi di questo dataset sono esattamente i preset che si vedono nel menu «Regione» dell'inpainting.
- In Diff-FIT
- È il dato su cui il parser è stato addestrato: la qualità delle maschere dipende da queste annotazioni.
LCM-LoRA
- Il problema
- Servono 25–50 passi per una buona immagine. I Latent Consistency Model li riducono a 4–8, ma richiedono di riaddestrare il modello: costoso e da rifare per ogni checkpoint.
- Il contributo
- Distillare quella capacità in un LoRA — poche matrici a basso rango, pochi MB — innestabile su qualunque checkpoint compatibile senza riaddestrarlo.
- In Diff-FIT
- È il pezzo che rende il drag abbastanza rapido da essere interattivo.
Face Alignment with Regression Trees
- Il problema
- Individuare i punti chiave di un volto era troppo lento per l'uso in tempo reale.
- Il contributo
- Partire da una forma media e correggerla in cascata con un insieme di alberi di regressione. 68 punti in circa un millisecondo, senza GPU.
- In Diff-FIT
- Converte lo spostamento di uno slider in frecce sulle parti giuste del volto — la base del tab Transform.
DragDiffusion, LightningDrag e IP-Adapter sono spiegati nella sezione Transform. Tutti i PDF sono nella cartella papers/ del repository. Per architetture, dimensioni dei pesi e configurazioni effettive: scheda tecnica modelli e pesi.
Le metriche di valutazione.
Valutare un volto che non esiste richiede di scomporre la domanda: corrisponde alla descrizione? è un'immagine buona? conserva l'identità? Nessuna metrica risponde da sola.
CMMD
Misura quanto l'immagine generata corrisponde alla descrizione testuale, confrontando immagine e testo in uno spazio comune. Risponde a: «il modello ha ascoltato il testimone?»
VQAScore
Usa un modello di visual question answering: gli si chiede se l'immagine contiene ciò che il prompt dichiara e si misura quanto è sicuro della risposta.
ArcFace
Un modello di riconoscimento facciale trasforma ogni volto in un vettore; la similarità del coseno fra due vettori dice quanto si somigliano. Nei test si confronta il generato col volto reale di riferimento.
eDifFIQA
Qualità dal punto di vista biometrico: non «è bella» ma «è utilizzabile per un confronto facciale automatico».
IRS
Identity Retention Score: quanto l'identità sopravvive alle modifiche successive di inpainting e drag. Serve a verificare che correggere un dettaglio non produca un'altra persona.
FFHQ
Il dataset di volti reali usato come riferimento: la distribuzione contro cui misurare quanto il generato somigli a fotografie autentiche.
Nota di metodo: ArcFace misura la somiglianza, non l'identità. Un identikit con alta similarità rispetto a un sospetto non prova che sia quella persona: è un indizio investigativo e va comunicato come tale.
Cosa questo strumento non è.
Non è riconoscimento facciale
Diff-FIT genera ipotesi visive, non identifica persone. Un identikit prodotto qui è un supporto alla ricerca, mai un elemento probatorio autonomo.
I coefficienti vanno validati
Il repository AiDNA dichiara esplicitamente che alcuni coefficienti dei predittori sono illustrativi e vanno sostituiti con quelli pubblicati prima di qualunque uso reale.
Il modello riflette i suoi dati
La distribuzione dei dati di addestramento si ripresenta nei volti generati. Su gruppi sottorappresentati la resa peggiora: è un limite da dichiarare, non da nascondere.
Il DNA descrive poco del volto
Pigmentazione, età, sesso e pochi marcatori. La morfologia — la parte che rende un volto riconoscibile — resta fuori portata.
Il realismo può indurre in errore
Un volto fotorealistico comunica una sicurezza che il dato di partenza non ha. È il rischio principale dell'intero approccio: la qualità estetica non è accuratezza.
Quello che invece è
Un modo per trasformare una descrizione — verbale o genetica — in un punto di partenza visivo coerente, correggibile e riproducibile.
Identikit forensi
con modelli
di diffusione.
Cinque pipeline, nove lavori scientifici, due backend e un contratto JSON con la genetica.
