Только РК

Сумма: 2500000

Количество заявок: 2

Разработка масштабируемого ML-пайплайна подмены лица на видео на базе Open-Source моделей
Заказчик

Alan Technologies, LLP
Прием решений до

26.11.26 (включительно)

Форма вознаграждения

Поэтапная фиксированная оплата по спринтам + бонус за достижение целевого FPS

Статус продукта

MVP

Тип задачи

Задачи ИКТ

Сфера применения

Медиасфера

Область задачи

Нейротехнологии и искусственный интеллект

Цель и описание задачи (проекта)

Проектирование и развертывание высокопроизводительного модульного конвейера (inference pipeline) для реалистичной замены лиц на видеопотоках высокого разрешения (1080p / 4K). В рамки работ входит: - Анализ и объединение передовых Open-Source архитектур (InsightFace, SimSwap, Ghost, LivePortrait). - Интеграция сетей улучшения и реставрации лиц (CodeFormer, GPEN) для устранения артефактов и размытия. - Реализация механизмов временной стабильности (temporal smoothing / optical flow) для подавления межкадрового мерцания (flickering). - Упаковка решения в Docker-контейнеры с поддержкой аппаратного ускорения (NVIDIA TensorRT / CUDA) и предоставление REST / gRPC API.

Тип продукта

ПО/ИС

Описание проблемы

Существующие публичные open-source репозитории обладают рядом критических инженерных ограничений: межкадровое мерцание (temporal jitter), артефакты при динамичном движении и больших углах наклона головы (yaw/pitch > 45°), а также низкая скорость инференса. Коммерческие облачные решения несут неприемлемо высокую стоимость за минуту обработки и создают регуляторные риски конфиденциальности данных. Требуется создать собственный, локально развертываемый и оптимизированный пайплайн, обеспечивающий высокое сохранение идентичности (ID retention) при сохранении стабильного FPS на имеющемся GPU-оборудовании.

Тех задание
Скачать файл
Ожидаемый эффект

1. Достижение стабильной скорости инференса >= 24 FPS (Full HD 1080p) на GPU класса NVIDIA RTX 4090 / A10G. 2. Сохранение идентичности целевого лица (метрика Cosine Similarity / Face ID retrieval) не менее 95%. 3. Полное устранение артефактов на стыках масок и визуального мерцания кадров. 4. Снижение себестоимости генерации видеоконтента более чем на 70% по сравнению с проприетарными API. 5. Готовый к промышленной интеграции микросервис со спецификацией OpenAPI / Swagger.

ФИО ответственного лица

Айдос Куанышев

Примечание

Обязателен подтвержденный опыт работы с PyTorch, TensorRT/ONNX и Face Recognition библиотеками. GPU-серверы для экспериментов предоставляются компанией.

Отправить решение