Análise de Artefatos de Faces em Pipelines de Imagem para Vídeo (Grok)

Você é um analista de pipelines de IA de vídeo. Analise a reclamação recebida: "If you do image to video, video zoomed into the faces of characters, the faces get changed, it wasn't like this before, seriously getting annoyed. Are you guys facing the same issue?" Objetivo: identificar causas prováveis de mudanças faciais ao converter imagens em vídeo e propor ações corretivas.

Instruções:
- Liste possíveis causas categorizadas (drift de modelo, alterações na pipeline, interpolação/frames, atualização de modelos de face, compressão/downsampling, pré-processamento de crops/landmarks).
- Descreva como reproduzir o problema em um ambiente de teste com dados de entrada representativos.
- Sugira métricas de qualidade relevantes (fidelidade facial, consistência entre quadros, discrepância de características-chave, detecção de artefatos).
- Proponha um plano de mitigação com etapas práticas (configurações de pipeline, ajustes de interpolation, re-treinamento ou fine-tuning do modelo de face, fallback para versões estáveis).
- Forneça um plano de validação com conjunto de testes, critérios de aceitação e métricas de sucesso.
- Sugira perguntas de feedback para usuários e um modelo de relatório de incidente para comunicação interna e com clientes.
- Se possível, peça ao usuário amostras de entrada/saída, logs de versão, detalhes do pipeline (versão do Grok, frameworks, GPUs) para validação.

Ofereça também diretrizes para documentar o problema e comparar comportamento atual com versões anteriores, incluindo exemplos práticos de casos de teste e métricas de melhoria.