أداة ذكاء اصطناعي تزيل الماكياج لمنع القاصرين من تجاوز فحص العمر

مظهر الكوزميتيكات الوجهية يسمح للمستخدمين القاصرين ، وخاصة البنات ، بالمرور عبر عمليات فحص العمر القائمة على الصور الشخصية على منصات مثل تطبيقات المواعدة ومواقع التجارة الإلكترونية. وتعالج أداة ذكاء اصطناعي جديدة هذه الثغرة ، باستخدام نموذج تمييزي مدرب على محو الماكياج مع الحفاظ على الهوية ، مما يجعل من الصعب على القاصرين خداع الأنظمة الآلية.

يتم استخدام خدمات التحقق من العمر القائمة على الصور الشخصية من قبل جهات خارجية بشكل متزايد ، لا سيما بسبب الزخم العالمي العام نحو التحقق من العمر على الإنترنت.

على سبيل المثال ، في النظام الجديد للتنفيذ الذي يفرضه قانون السلامة على الإنترنت في المملكة المتحدة الآن ، يمكن إجراء التحقق من العمر بواسطة مجموعة متنوعة من خدمات الجهات الخارجية ، باستخدام طرق مختلفة ، بما في ذلك التحقق من العمر البصري ، حيث يتم استخدام الذكاء الاصطناعي للتنبؤ بسن المستخدم-visually (عادةً من مقاطع الفيديو الحية للكاميرا المحمولة). وتشمل الخدمات التي تستخدم هذه الطرق Ondato و TrustStamp و Yoti.

然而 ، فإن تقدير العمر ليس معصومًا ، ويعني التقليد التقليدي لتحقيق حقوق البلوغ أن الشباب قد طوروا طرقًا فعالة لالدخول إلى مواقع المواعدة والمنتديات وغيرها من البيئات التي تحظر فئتهم العمرية.

واحدة من هذه الطرق ، والتي تستخدمها الإناث بشكل شائع ، هي ارتداء الماكياج – تكتيك معروف أنه يخدع أنظمة تقدير العمر الآلية ، والتي تزيد بشكل عام من تقدير عمر الشباب وتقلل من تقدير عمر كبار السن.

ليس فقط البنات

قبل أن يثور الاحتجاج على اعتبار الماكياج “موجهًا للإناث” ، يجب أن نلاحظ أن وجود الكوزميتيكات الوجهية على أي شخص هو مؤشر غير موثوق به للجنس:

في ورقة “تأثير الكوزميتيكات الوجهية على خوارزميات تقدير الجنس والعمر الآلية” ، وجد الباحثون الأمريكيون أن أنظمة التحقق من الجنس قد خدعتها الماكياج الذي يغير الجنس. Source: https://cse.msu.edu/~rossarun/pubs/ChenCosmeticsGenderAge_VISAPP2014.pdf

في عام 2024 ، قدر أن 72٪ من المستهلكين الذكور الأمريكيين في возрасте 18-24 عامًا قد دمجوا الماكياج في روتين العناية الشخصية – على الرغم من أن معظمهم يستخدمون منتجات التجميل لتعزيز مظهر البشرة الصحية ، وليس للاستمتاع بمجموعات الماسكارا والشفاه المرئية التي ترتبط بمظهر المرأة.

لذلك لا مفر من معاملة المواد التي تمت دراستها في هذه المقالة على طول الخطوط الأكثر شيوعًا للسيناريو المكتشف في الأبحاث الجديدة – وهو سيناريو القاصرات اللواتي يستخدمن الماكياج لتحايل أنظمة التحقق من العمر البصري الآلية.

إزالة الماكياج الفعالة – الطريقة الذكية

تأتي الأبحاث المذكورة أعلاه من ثلاثة مساهمين في جامعة نيويورك ، في شكل ورقة جديدة بعنوان DiffClean: إزالة الماكياج القائمة على الاندماج من أجل تقدير العمر الدقيق.

الهدف من المشروع هو تحقيق طريقة مدعومة بالذكاء الاصطناعي لإزالة مظهر الماكياج من الصور (ويمكن أن تشمل أيضًا صور الفيديو) ، من أجل الحصول على فكرة أفضل عن العمر الحقيقي للشخص خلف الماكياج.

من الورقة الجديدة ، مثال على كيفية تغيير إزالة الماكياج بشكل ملحوظ في التنبؤ بالعمر. Source: https://arxiv.org/pdf/2507.13292

واحدة من التحديات في تطوير نظام من هذا القبيل هي الحساسية المحتملة حول جمع أو تحضير صور للأشخاص القاصرين الذين يرتدون ماكياجًا بالغًا. في النهاية ، استخدم الباحثون نظامًا خارجيًا قائمًا على الشبكات العصبية المنافسة يسمى EleGANt لفرض أنماط الماكياج بشكل اصطناعي ، وهو تقنية أثبتت فعاليتها.

نظام EleGANt في جامعة تسينغهوا لعام 2022 يستخدم الشبكات العصبية المنافسة لتطبيق الماكياج بشكل حقيقي على الصور المصدر. Source: https://arxiv.org/pdf/2207.09840

بمساعدة البيانات الاصطناعية المكتسبة بهذه الطريقة ، ومع مساعدة مجموعة متنوعة من المشاريع والقواعد البيانية المساعدة ، تمكن المؤلفون من تجاوز الأساليب الحالية في تقدير العمر عندما واجهوا ماكياجًا واضحًا أو “مرئيًا”.

تذكر الورقة ما يلي:

‘DiffClean [يزيل] آثار الماكياج باستخدام نموذج اندماج مدعوم بالنص لمنع هجمات الماكياج. [هو] يحسن تقدير العمر (دقة القاصرين مقابل البالغين بنسبة 4.8٪) والتحقق من الهوية (TMR بنسبة 8.9٪ عند FMR = 0.01٪) على الصور الرقمية والفعلية للماكياج.’

الطريقة

为了避免使用真实图像中的未成年人化妆，作者们使用了EleGANt将合成化妆品应用于UTKFace数据集中的图像，生成了用于训练的前后对。

UTKFace数据集的示例。 来源：https://susanqq.github.io/UTKFace/

然后，DiffClean被训练来逆转这一转换。由于年龄估计算法在处理年轻年龄组时最容易出错，研究人员发现有必要开发一个代理年龄分类器，专门针对目标年龄（10-19岁）进行微调。为此，他们使用了SSRNet架构，在UTKFace数据集上进行了训练，并使用加权L1损失函数。

DiffClean的转换使用了2021年OpenAI的简化版扩散模型作为骨架，并保留了核心架构，但修改了它以增加了多个注意力头，在不同的分辨率下，并增加了BigGAN风格的块，以改善上采样和下采样阶段。

使用CLIP提示进行方向控制：具体来说，使用“带有化妆的脸”和“没有化妆的脸”等提示，使模型学会朝着期望的语义方向移动，从而可以在不损害面部细节、年龄线索或身份的情况下去除化妆。

使用EleGANt应用的合成化妆。每个三元组显示了原始的UTKFace图像（左），参考化妆风格（中），以及样式转换后的结果（右）

四个关键损失函数指导了化妆的去除，而不会影响面部身份或年龄线索。除了上述基于CLIP的损失函数外，身份被保留使用加权的ArcFace损失对，从InsightFace库中提取，这些损失函数测量了生成的面部与原始干净图像和“化妆”版本之间的相似度，确保了化妆前后的主体在视觉上保持一致。

第三，感知损失函数（LPIPS）使用L1距离来执行像素级的现实性，并保留原始图像在去除化妆后的一般外观。

最后，年龄被监督使用在UTKFace数据集上微调的SSRNet，并使用平滑的L1损失函数（对于10-29岁年龄范围内的错误具有更大的惩罚），以及CLIP基于年龄的提示，提示模型匹配特定年龄的外观。

在推理时（与训练时使用的SSRNet不同），使用了2023年的MiVOLO框架进行年龄估计。

数据和测试

在UTKFace数据集上微调的SSRNet使用了15,364张图像的训练集，对应6,701张图像的测试集。原始的20,000张图像被过滤以去除年龄超过70岁的人，然后以70:30的比例分割。

按照2023年DiffAM项目之前的方法，训练分两个阶段进行，第一阶段使用了300张真实世界的化妆图像（训练和验证集的比例为200:100），来自BeautyGAN的MT数据集。

然后，模型被进一步改进，使用了300张额外的UTKFace图像，并使用EleGANt进行了合成化妆处理。这创建了一个最终的训练集，包含600个样本，配对了五种参考风格来自BeautyGAN。由于化妆去除涉及将多种化妆风格映射到一个干净的面部，因此训练集中注重广泛的泛化，而不是覆盖每一种可能的化妆变化。

性能被评估在合成和真实世界的图像上。合成测试使用了2,556张Flickr-Faces-HQ（FFHQ）数据集的图像，均匀地采样了70岁以下的九个年龄组，并使用EleGANt进行了修改。

使用了3,000张BeautyFace图像和355张LADN图像来评估泛化能力，这些图像包含真实的化妆。

BeautyFace数据集的示例，展示了定义面部受影响区域的语义分割。 来源：https://li-chongyi.github.io/BeautyREC_files/

指标和实现

对于指标，作者使用了平均绝对误差（MAE）来评估预测年龄值与真实年龄值之间的差异，其中较低的结果更好；使用“年龄组准确率”来评估预测年龄是否属于正确的年龄组（在这种情况下，较低的结果更好）；使用“未成年人/成年人准确率”来评估正确识别18岁以上的人的能力（在这种情况下，较高的结果更好）。

此外，作者还报告了身份验证指标，以真实匹配率（TMR）和假匹配率（FMR）为单位，并报告了相关的ROC值。

SSRNet在64×64像素的图像上进行了微调，使用批量大小为50的Adam优化器，权重衰减为1e−4，并使用余弦退火调度器和学习率为1e−3，训练了200个epoch，并使用了早期停止技术。

相比之下，DiffClean模块接收256×256像素的输入图像，并在五个epoch内使用Adam优化器进行了微调，学习率为4e−3。采样使用了40步的DDIM逆向推导和6步的DDIM正向推导。所有训练都在单个NVIDIA A100 GPU上进行（无论是否使用40GB或80GB的VRAM）。

被测试的对比系统包括CLIP2Protect和之前提到的DiffAM。作者使用“matte”化妆风格，因为CLIP2Protect中提到这种风格可以实现更高的成功率（尽管这可能为那些试图破坏这种方法的人提供了一种机会，但这是另一个话题）。

为了复制DiffAM作为基准，使用了BeautyGAN的预训练模型，并在MT数据集上进行了微调。对于对抗性化妆转移，使用了DiffAM的检查点，并使用了默认参数进行目标模型、参考图像和身份的处理。

DiffClean与基准模型在年龄估计任务上的性能比较，使用MiVOLO。报告的指标包括未成年人/成年人分类准确率、年龄组准确率和平均绝对误差（MAE）。DiffClean具有CLIP年龄损失函数的结果在所有指标上都优于其他模型。

作者指出：

‘我们的方法DiffClean优于两个基准模型CLIP2Protect和DiffAM，并能够成功恢复由于化妆而破坏的年龄线索，通过降低MAE（到5.71）和提高年龄组预测准确率（到37％）。’

‘我们的目标集中在未成年人年龄组，并且结果表明我们实现了优异的未成年人与成年人年龄分类准确率，达到88.6％。 ‘

基准方法和提出的方法的化妆去除结果。最左边的列显示源图像，下一列显示CLIP2Protect和DiffAM的输出。第三列显示DiffClean通过SSRNet和CLIP基于年龄的损失函数的结果。作者认为DiffClean更有效地去除了化妆，避免了CLIP2Protect中的特征失真和DiffAM中遗漏的化妆残留。

作者进一步指出，化妆并不对感知年龄有统一的影响，而是可以增加、减少或保持面部的感知年龄不变。因此，DiffClean并不对预测年龄施加“统一的减少”，而是尝试通过去除化妆痕迹来恢复原始的年龄指标:

CelebA-HQ和CACD数据集的化妆去除示例。每列显示一对图像，在化妆去除之前（左）和之后（右）。在第一列中，预测年龄在去除化妆后降低；在第二列中，预测年龄保持不变；在第三列中，预测年龄增加。

为了测试DiffClean在新数据上的性能，使用了BeautyFace和LADN数据集，这些数据集包含真实的化妆，但没有相同主题的无化妆图像。比较了化妆去除前后的年龄预测，以评估DiffClean如何减少化妆引入的失真:

LADN（左）和BeautyFace（右）数据集的化妆去除结果。DiffClean通过去除化妆，减少了预测年龄与实际年龄之间的差距。白色数字显示了处理前后的预测年龄。

结果表明，DiffClean一致地减少了预测年龄与实际年龄之间的差距。在两个数据集上，DiffClean平均减少了过高估计和过低估计的错误约三岁，表明该系统对真实世界的化妆风格具有良好的泛化能力。

结论

很有趣，也许是不可避免的，表演性化妆会被用作对抗手段。鉴于女孩的成熟速度不同，但总体上比男孩更快成熟，确定未成年和成年女性之间的界限可能是研究界面临的最雄心勃勃的任务之一。

然而，时间和数据可能最终会确定一致的年龄相关标志，可以用来锚定视觉年龄验证系统。

* 由于这个话题容易引起激烈的语言，并且“女孩”一词是排他的（而“女性和女孩”这个当前被接受的术语并不准确地描述这种情况），我默认使用“女性”作为最好的折衷方案，尽管它并不能涵盖所有人口统计学的细微差别，对于此，我表示歉意。

^† 在这篇文章中，我使用“表演性”一词来表示旨在被看到和识别为化妆的化妆，例如睫毛膏、眼线、腮红和粉底，与遮瑕霜和其他“隐秘”的化妆应用不同。

首次发表于2025年7月18日