أداة الذكاء الاصطناعي تزيل المكياج لمنع القاصرين من تجاوز فحوصات العمر

ظهور مستحضرات التجميل على الوجه يسمح للمستخدمين القاصرين، وغالبًا الفتيات، بتجاوز فحوصات العمر القائمة على الصور الذاتية في منصات مثل تطبيقات المواعدة ومواقع التجارة الإلكترونية. أداة ذكاء اصطناعي جديدة تعالج هذه الثغرة، باستخدام نموذج تمييزي مدرب على محو المكياج مع الحفاظ على الهوية، مما يجعل من الصعب على القاصرين خداع الأنظمة الآلية.

يتزايد استخدام خدمات التحقق من العمر القائمة على الصور الذاتية من طرف ثالث، ليس أقل ذلك بسبب الدافع العالمي العام نحو التحقق من العمر عبر الإنترنت.

على سبيل المثال، في نظام الإنفاذ الجديد الذي يفرضه الآن قانون السلامة على الإنترنت في المملكة المتحدة المتطلبات، يمكن إجراء التحقق من العمر عبر مجموعة متنوعة من الخدمات من طرف ثالث، باستخدام طرق مختلفة محتملة، بما في ذلك التحقق البصري من العمر، حيث يُستخدم الذكاء الاصطناعي لتوقع عمر المستخدم بصريًا (عادةً من لقطات الكاميرا الحية على الهاتف). تشمل الخدمات التي تستخدم نهجًا من هذا النوع Ondato، TrustStamp، وYoti.

مع ذلك، لا يُعد تقدير العمر معصومًا من الخطأ، وتؤدي الإرادة التقليدية للمراهقين في توقع حقوق البلوغ إلى أن الشباب طوروا مجموعة متنوعة من الأساليب الفعّالة للدخول إلى مواقع المواعدة والمنتديات وغيرها من البيئات التي تحظر فئتهم العمرية.

إحدى هذه الأساليب، التي تستخدمها الإناث* في أغلب الأحيان، هي ارتداء مكياج الوجه – وهي طريقة معروفة بخداع أنظمة تقدير العمر الآلية، التي عادةً ما تُبالغ في تقدير عمر الشباب وت تقلل من تقدير عمر كبار السن.

ليس الفتيات فقط

قبل أن يثار أي احتجاج بشأن اعتبار المكياج “مخصصًا للإناث”، يجب أن نلاحظ أن وجود مستحضرات التجميل على أي شخص هو مؤشر غير موثوق به للغاية للجنس:

في الورقة البحثية “Impact of Facial Cosmetics on Automatic Gender and Age Estimation Algorithms” وجد الباحثون الأمريكيون أن أنظمة التحقق من الجنس تم خداعها بواسطة مكياج يبدل الجنس. المصدر: https://cse.msu.edu/~rossarun/pubs/ChenCosmeticsGenderAge_VISAPP2014.pdf

في عام 2024، تم تقدير أن 72٪ من المستهلكين الذكور في الولايات المتحدة الذين تتراوح أعمارهم بين 18-24 سنة يدمجون المكياج في روتين العناية الشخصية – رغم أن معظمهم يستخدم منتجات تجميلية لتعزيز مظهر البشرة الصحية، وليس للانغماس في تركيبات الماسكارا/أحمر الشفاه الأداء ^† التي ترتبط أكثر بجماليات النساء البصرية.

لذلك لا يمكننا إلا أن نتعامل مع المادة التي دُرست في هذه المقالة على أنها تمثل السيناريو الأكثر شيوعًا المستكشف في الأبحاث الجديدة – وهو قاصرات إناث يستخدمن المكياج لتجاوز أنظمة التحقق البصري الآلي من العمر.

إزالة المكياج بفعالية – الطريقة الذكائية

البحث المذكور أعلاه يأتي من ثلاثة مساهمين في جامعة نيويورك، على شكل الورقة البحثية الجديدة DiffClean: إزالة المكياج بالانتشار لتقدير العمر بدقة.

هدف المشروع هو تحقيق طريقة مدفوعة بالذكاء الاصطناعي لإزالة مظهر المكياج من الصور (وبما في ذلك محتوى الفيديو المحتمل)، للحصول على فكرة أوضح عن العمر الحقيقي للشخص وراء المكياج.

من الورقة البحثية الجديدة، مثال على كيفية تعديل إزالة المكياج لتغيير توقع العمر بشكل ملحوظ. المصدر: https://arxiv.org/pdf/2507.13292

إحدى التحديات في تطوير مثل هذا النظام هي الحساسية المحتملة حول جمع أو تنسيق صور فتيات قاصرات يرتدين مكياجًا للبالغين. في النهاية، استخدم الباحثون نظامًا من طرف ثالث يعتمد على الشبكات التوليدية المتعارضة يُدعى EleGANt لفرض أنماط مكياج صناعية، وهي تقنية أثبتت فعاليتها الكبيرة:

نظام EleGANt للجامعة الصينية في تسينغ هوا لعام 2022 يستخدم شبكة توليدية متعارضة (GAN) لتراكب مستحضرات التجميل بشكل أصيل على الصور المصدرية. المصدر: https://arxiv.org/pdf/2207.09840

بمساعدة البيانات الاصطناعية التي تم الحصول عليها بهذه الطريقة، ومع دعم مجموعة متنوعة من المشاريع والبيانات المساندة، تمكن المؤلفون من تجاوز أساليب الحالة الفنية في تقدير العمر عند مواجهة مكياج أداء أو “ظاهر”.

تذكر الورقة:

‘DiffClean [erases] يزيل آثار المكياج باستخدام نموذج انتشار موجه بالنص للدفاع ضد هجمات المكياج. [It] يحسن تقدير العمر (دقة القاصرين مقابل البالغين بزيادة 4.8٪) والتحقق من الوجه (معدل الصواب الإيجابي بزيادة 8.9٪ عند معدل الخطأ السلبي = 0.01٪) مقارنة بالخطوط الأساسية على صور مكياج محاكاة رقمياً وحقيقية.’

دعونا نلقي نظرة على كيفية تنفيذهم للمهمة.

الطريقة

لتجنب استخدام صور حقيقية للقُصّر مع المكياج، استخدم المؤلفون EleGANt لتطبيق مستحضرات تجميل اصطناعية على الصور المستخرجة من مجموعة البيانات UTKFace، مُنتجين أزواج قبل وبعد للتدريب.

أمثلة من مجموعة بيانات UTKFace. Source: https://susanqq.github.io/UTKFace/

ثم تم تدريب DiffClean لعكس هذا التحويل. وبما أن خوارزميات تقدير العمر ترتكب أكبر الأخطاء عند التعامل مع الفئات العمرية الأصغر، وجد الباحثون أنه من الضروري تطوير مصنف عمر بديل مُدَرَّب بدقة على الأعمار المستهدفة (10-19 سنة). ولتحقيق ذلك استخدموا بنية SSRNet المدربة على UTKFace، مع خسارة L1 موزونة.

قدمت نسخة مبسطة من نموذج الانتشار لعام 2021 من OpenAI العمود الفقري للتحويل، حيث احتفظ المؤلفون بالمعمارية الأساسية، لكنهم عدلوها بإضافة رؤوس انتباه إضافية بدقة مختلفة، طبقات أعمق، وكتل على نمط BigGAN لتحسين مراحل التكبير والتصغير.

تم إدخال التحكم الاتجاهي باستخدام مطالبات CLIP: تحديدًا، وجه مع مكياج ووجه بدون مكياج، بحيث تعلم النموذج التحرك في الاتجاه الدلالي المطلوب، مما يسمح بإزالة المكياج دون الإضرار بتفاصيل الوجه أو إشارات العمر أو الهوية.

مكياج اصطناعي تم تطبيقه باستخدام EleGANt. كل ثلاثية تُظهر الصورة الأصلية من UTKFace (يسار)، نمط المكياج المرجعي (وسط)، والنتيجة بعد نقل النمط (يمين). نقل المكياج من هذا النوع شائع في أدبيات رؤية الحاسوب، وهذه الميزة متوفرة أيضًا في الفلاتر العصبية لبرنامج Adobe Photoshop، الذي يمكنه أيضًا فرض المكياج من صورة مرجعية على صورة هدف.

أربعة دوال خسارة رئيسية وجهت إزالة المكياج دون التأثير على هوية الوجه أو إشارات العمر. بالإضافة إلى الخسارة المستندة إلى CLIP المذكورة أعلاه، تم الحفاظ على الهوية باستخدام زوج موزون من خسائر ArcFace المستقاة من مكتبة InsightFace – وهي خسائر تقيس التشابه بين الوجه المُولَّد والصورة الأصلية النقية وكذلك النسخة ‘المكياجة’، لضمان بقاء الموضوع متسقًا بصريًا قبل وبعد إزالة المكياج.

ثالثًا، استخدمت خسارة الإدراك Learned Perceptual Similarity Metrics (LPIPS) مسافة L1 لفرض واقعية على مستوى البكسل، والحفاظ على المظهر العام للصورة الأصلية بعد إزالة المكياج.

أخيرًا، تم الإشراف على العمر باستخدام SSRNet مُدَرَّب بدقة على مجموعة بيانات UTKFace، حيث استخدم النموذج خسارة L1 مُنقّحة (مع عقوبات أعلى للأخطاء في الفئة العمرية 10–29 سنة، حيث يحدث التصنيف الخاطئ أكثر). استبدلت نسخة من النموذج هذه بخاصية توجيه عمر مستندة إلى CLIP، لتوجيه النموذج لمطابقة مظهر عمر محدد.

لتقدير العمر أثناء الاستدلال (على عكس استخدام SSRNet أثناء التدريب)، تم استخدام إطار العمل MiVOLO لعام 2023.

البيانات والاختبارات

استخدم تعديل SSRNet لمجموعة UTKFace مجموعة تدريب مكونة من 15,364 صورة، مقابل مجموعة اختبار مكونة من 6,701 صورة. تم تصفية الـ20,000 صورة الأصلية لإزالة الأشخاص الذين تزيد أعمارهم عن 70 سنة، ثم تم تقسيمها بنسبة 70:30.

وفقًا للطريقة السابقة التي وضعها مشروع DiffAM لعام 2023، استمر التدريب في مرحلتين، حيث استخدمت الجلسة الأولية 300 صورة مكياج من الواقع (هذه المرة تقسيم 200/100 بين التدريب والتحقق) من مجموعة بيانات MT الخاصة بـ BeautyGAN.

ثم تم تحسين النموذج باستخدام 300 صورة إضافية من UTKFace، مُعزَّزة بمكياج اصطناعي عبر EleGANt. أدى ذلك إلى إنشاء مجموعة تدريب نهائية مكونة من 600 مثال، مُقَابَلة عبر خمس أنماط مرجعية من BeautyGAN. نظرًا لأن إزالة المكياج تتطلب تحويل العديد من أنماط المكياج إلى وجه نظيف واحد، ركز التدريب على التعميم الواسع بدلاً من تغطية كل تنوع تجميلي محتمل.

تم تقييم الأداء على كل من الصور الاصطناعية والواقعية. استخدم الاختبار الاصطناعي 2,556 صورة من مجموعة بيانات Flickr-Faces-HQ (FFHQ)، تم اختيارها بالتساوي عبر تسع فئات عمرية تحت 70 سنة، وتم تعديلها باستخدام EleGANt.

تم تقييم التعميم باستخدام 3,000 صورة من BeautyFace و355 صورة من LADN، كلاهما يحتوي على مكياج حقيقي.

أمثلة من مجموعة بيانات BeautyFace، توضح التقسيم الدلالي الذي يحدد مختلف مناطق سطح الوجه المتأثرة. Source: https://li-chongyi.github.io/BeautyREC_files/

المقاييس والتنفيذ

للتقييم، استخدم المؤلفون متوسط الخطأ المطلق (MAE) بين الحقيقة الأرضية (صور حقيقية بأعمار مثبتة) والقيم المتوقعة للعمر، حيث تكون النتائج الأقل أفضل؛ دقة مجموعة العمر استُخدمت لتقييم ما إذا كانت الأعمار المتوقعة تقع في الفئات الصحيحة (وفي هذه الحالة تكون النتائج الأقل أفضل)؛ واستخدمت دقة القاصرين/البالغين لتقييم التعرف الصحيح على الأشخاص فوق 18 سنة (حيث تكون النتيجة الأعلى أفضل).

بالإضافة إلى ذلك، رغم أن ذلك لا يتركز على الموضوع المحدد هنا، أبلغ المؤلفون عن مقاييس التحقق من الهوية على شكل معدل التطابق الحقيقي (TMR) ومعدل التطابق الزائف (FMR)، مع إبلاغ إضافي عن قيم منحنى تشغيل المستقبل (ROC).

تم تحسين SSRNet على صور بحجم 64×64 بكسل باستخدام حجم دفعة قدره 50 تحت مُحسّن آدم مع انحلال الوزن بمقدار 1e−4، بالإضافة إلى جدول تخفيض جيبي، ومعدل تعلم قدره 1e−3 على مدى 200 حقبة، مع إيقاف مبكر.

على النقيض من ذلك، استقبل وحدة DiffClean صورًا مدخلية بحجم 256×256 بكسل، وتم تحسينها لمدة خمس حقب باستخدام آدم، بمعدل تعلم أقرب إلى 4e−3. استخدم العينة 40 خطوة عكس DDIM، و6 خطوات أمامية لـ DDIM. تم تنفيذ جميع عمليات التدريب على وحدة معالجة رسومية NVIDIA A100 واحدة (لم يُحدد ما إذا كانت بسعة 40 جيجابايت أو 80 جيجابايت من الذاكرة).

الأنظمة المنافسة التي تم اختبارها هي CLIP2Protect وDiffAM المذكور سابقًا. استخدم المؤلفون أنماط مكياج “مات” في سير العمل، حيث لوحظ في CLIP2Protect أنها تحقق معدل نجاح أعلى (من المحتمل أن تتيح فرصة لأولئك الذين يسعون لتجاوز هذا النهج – لكن هذا موضوع لوقت آخر).

لإعادة إنشاء DiffAM كخط أساس، تم تحسين النموذج المدرب مسبقًا من BeautyGAN على مجموعة بيانات MT. بالنسبة لنقل المكياج العدائي، استُخدم نقطة التحقق من DiffAM مع المعلمات الافتراضية للنموذج الهدف، الصورة المرجعية، والهوية.

أداء DiffClean مقارنةً بالخطوط الأساسية في مهام تقدير العمر، باستخدام MiVOLO. المقاييس المبلغة هي دقة تصنيف القاصرين/البالغين، دقة مجموعة العمر، ومتوسط الخطأ المطلق (MAE). يحقق DiffClean مع خسارة عمر CLIP أفضل النتائج عبر جميع المقاييس.

من بين هذه النتائج، صرح المؤلفون:

‘طريقة [Our] DIFFCLEAN تتفوق على كلا الخطين الأساسيين، CLIP2Protect وDiffAM، ويمكنها استعادة مؤشرات العمر المتعطلة بسبب المكياج عن طريق خفض MAE (إلى 5.71) وتحسين دقة التنبؤ بمجموعة العمر العامة (إلى 37%).’

‘كان هدفنا يتركز على فئات الأعمار القاصرة، وتشير النتائج إلى أننا نحقق تصنيفًا متفوقًا للقاصرين مقابل البالغين بنسبة 88.6%.’

نتائج إزالة المكياج من الخطوط الأساسية والطرق المقترحة. العمود الأيسر يظهر الصور الأصلية، والعمود التالي مخرجات CLIP2Protect وDiffAM. العمود الثالث يظهر نتائج DiffClean عبر SSRNet وخسارة عمر مبنية على CLIP. يزعم المؤلفون أن DiffClean يزيل المكياج بفعالية أكبر، متجنبًا تشويه الميزات الذي يُرى في CLIP2Protect، والماكياج المتبقي الذي يفوته DiffAM.

يشير المؤلفون أيضًا إلى أن المكياج لا يؤثر بشكل موحد على العمر المُدرك، بل يمكن أن يزيده أو يقلله أو يتركه دون تغيير. لذلك لا يطبق DiffClean “خفضًا شاملًا” للعمر المتنبأ، بل يحاول استعادة مؤشرات العمر الأصلية بإزالة آثار المكياج:

أمثلة على إزالة المكياج من مجموعات بيانات CelebA-HQ وCACD. كل عمود يُظهر زوجًا من الصور قبل (يسار) وبعد (يمين) إزالة المكياج. في العمود الأول، ينخفض العمر المتنبأ بعد إزالة المكياج؛ في الثاني يبقى دون تغيير؛ وفي الثالث يزداد.

لاختبار مدى أداء DiffClean على بيانات جديدة، تم تشغيله على مجموعتي بيانات BeautyFace وLADN، التي تحتوي على مكياج حقيقي، لكن دون صور مزدوجة لنفس الأشخاص بدون مكياج. تم مقارنة توقعات العمر قبل وبعد إزالة المكياج لتقييم مدى فعالية DiffClean في تقليل التشويه الذي يسببه المكياج:

نتائج إزالة المكياج على صور واقعية من مجموعتي البيانات LADN (الزوج الأيسر) وBeautyFace (الزوج الأيمن). يقلل DiffClean من الأعمار المتوقعة عن طريق إزالة المستحضرات التجميلية، مما يضيق الفجوة بين العمر الظاهر والعمر الفعلي. الأرقام البيضاء تُظهر الأعمار المقدرة قبل وبعد المعالجة.

أظهرت النتائج أن DiffClean قلص الفجوة بين العمر الظاهر والعمر الفعلي بشكل مستمر. عبر كلا مجموعتي البيانات، خفض الأخطاء في التقدير الزائد والنقصان بنحو ثلاث سنوات في المتوسط، مما يشير إلى أن النظام يعمم جيدًا على أساليب المكياج الواقعية.

الخلاصة

من المثير للاهتمام، وربما الحتمي، أن يُستخدم المكياج التجميلي الأداءً في طريقة عدائية. بالنظر إلى أن الفتيات ينضجن بمعدلات مختلفة، لكن ينضجن بشكل مستمر أسرع كمجموعة، قد تكون مهمة تحديد الحد الفاصل بين حالة القاصرة والبالغة للإناث واحدة من أكثر الطموحات التي وضعها مشهد البحث حتى الآن.

مع ذلك، قد يحدد الوقت والبيانات في النهاية علامات عمرية ثابتة يمكن استخدامها لتثبيت أنظمة التحقق البصري من العمر.

* نظرًا لأن هذا الموضوع يستدعي لغة مشحونة، ولأن كلمة ‘girls’ تستبعد (في حين أن ‘women and girls’، المصطلح المقبول حاليًا للأشخاص من الجنس الأنثوي، ليس وصفًا دقيقًا في هذه الحالة)، فقد لجأت إلى ‘females’ كأفضل حل توصلت إليه – رغم أنه لا يلتقط جميع الفروق الديموغرافية، أعتذر عن ذلك.

^† في هذه المقالة أستخدم مصطلح ‘performative’ للإشارة إلى المكياج المقصود أن يُرى ويُعترف به كمكياج، مثل الماسكارا، الكحل، البلاش والفاونديشن، على عكس كريمات الإخفاء وغيرها من أنواع التطبيقات التجميلية ‘الخفيّة’.

نُشر لأول مرة الجمعة، 18 يوليو 2025