KI kann das Jahr eines Fotos anhand des Alters der Menschen erraten

Neue Forschungsergebnisse zeigen, dass KI das Alter von Menschen in Fotos erkennen und das Jahr, in dem das Foto aufgenommen wurde, schätzen kann, indem sie Altersschätzungen mit bekannten Geburtsjahren kombinieren und damit aktuelle szenebasierte Methoden überbieten.

Die Schätzung des Datums eines Fotos war früher einfacher als heute, da Haar- und Kleidungsmoden in atemberaubendem Tempo wechselten. Aus verschiedenen, umstrittenen Gründen endete dieser Wechsel von visuellem Stil vor etwa dreißig Jahren, was bedeutet, dass es nicht mehr so einfach ist, auf ein Haarstyling oder Kleidungsstücke zu schauen und das Jahr aus diesem visuellen Hinweis zu erraten.

Es war auch möglich, Bilder und Filme anhand der Farbauflösung und Körnungsmerkmalen des Films zu datieren. Man musste kein forensischer Spezialist sein; wenn man genug alte Filme ansah, würden die kulturellen Hinweise (wie Musik, Autos, Mode, Themen usw.) schließlich mit Filmstile in Verbindung gebracht:

Eine Illustration der Art und Weise, wie die Verbesserung des Films allmählich die Bandbreite von Hauttönen und Beleuchtungsstilen im Laufe der Zeit erweiterte, von flachen, frontalen Aufbauten zu natürlicheren und vielfältigeren Ausführungen. Quelle (mein eigener Artikel)

Ein zusätzlicher “Anker” für die Datierung eines Fotos war, ob es in Schwarz-Weiß war – eine Wirtschaft, die nach der Popularisierung der digitalen Fotografie Anfang dieses Jahrhunderts überflüssig wurde

Einige kommerzielle und experimentelle Systeme, wie das MyHeritage-Abonnement-bündel PhotoDater, versuchen, Fotos mithilfe dieser und anderer Kriterien zu datieren.

Ein Beispiel für eine Foto-Altersschätzung aus dem MyHeritage-PhotoDater-Abonnement-Service. Quelle

Wenn keine anderen Hinweise wie Smartphones oder andere technologische Merkmale vorhanden sind, ist die beste Möglichkeit, das Alter eines Fotos aus den letzten 15-25 Jahren zu erraten, wenn man die Person kennt (z. B. eine Berühmtheit oder vielleicht eine Bekannte) und ihr Alter schätzen kann, was ein ungefähres Äquivalent zum Jahr ergibt.

Facial Age as a Reference

Im Bereich der Computer-Vision und in verschiedenen anderen Bereichen (z. B. Forensik, Archivverarbeitung, Journalismus, Datenbank-Architektur usw.) ist die Fähigkeit, das Alter eines Fotos zu bestimmen, ein begehrtes Ziel, da viele der interessantesten digitalen und analogen Sammlungen keine ordnungsgemäße Annotation und Metadaten haben oder sogar falsche Metadaten aus früheren (falschen) Vermutungen haben.

Daher wäre es nützlich, wenn ein KI-System Fotos auf die gleiche Weise wie wir bei der Betrachtung unserer historischen Sammlungen überprüfen und kommentieren könnte: ‘Oh ja, das war, als…’. Die Frage ist, was könnte der Haken sein, wenn die üblichen erforderlichen Hinweise fehlen?

Ein neues Forschungspapier aus der Tschechischen Republik bietet einen ersten Ansatz für diesen Ansatz, indem es KI-basierte Alterserkennung-Systeme in Verbindung mit Gesichtserkennung-Systemen verwendet, die an eine gemeinsame Datenbank von Identitäten (in diesem Fall eine IMDB-ähnliche Sammlung mit tschechischen Künstlern und Filmemachern) gekoppelt sind:

Ein Standbild aus ‘Joachim, Put It in the Machine’ (1974), verwendet, um den Datierungsprozess zu veranschaulichen. Das Modell erkennt bekannte Personen im Foto, schätzt ihr Alter mithilfe eines Gesichtsalter-Schätzers (rechte Spalte) und subtrahiert diesen Wert von jedem Geburtsjahr, um eine Wahrscheinlichkeitsverteilung über mögliche Fototermin-Daten zu erzeugen. Die Grafiken zeigen die Wahrscheinlichkeit jeder Altersschätzung, wobei gestrichelte Linien das tatsächliche Alter der Person zum Zeitpunkt des Fotos markieren. Quelle

Das System funktioniert, indem es bekannte Personen in einem Foto erkennt, ihr Gesichtsalter mithilfe eines vorgefertigten Modells schätzt und diesen Schätzwert von ihrem bekannten Geburtsjahr abzieht, um wahrscheinliche Termine für das Foto zu erzeugen. Wenn mehrere Gesichter vorhanden sind, werden die Datumschätzungen aggregiert, um eine endgültige Vorhersage zu erstellen.

Die Methode wurde auf Bildern getestet, die aus der Czecho-Slovak Movie Database (CSFD) stammen, und das Ergebnis zeigt, dass der Ansatz konsistent genauere Ergebnisse liefert als szenebasierte Modelle (statische Modelle, die auf Hintergrund-Elementen oder visuellem Kontext anstelle von Gesichtern basieren), die auf den gleichen Daten trainiert wurden.

Das Schema für diese Methode erfordert eine zentrale Datenbank, die Kenntnisse über eine breite Gruppe von Personen enthält, in diesem Fall die IMDB-ähnliche tschechische Film-Datenbank; aber jede ähnliche Sammlung, die bestätigte Geburtsjahre und zentrale datumsgesicherte Ereignisse enthält, könnte ein ähnliches Ergebnis liefern.

Das Papier besagt:

‘Einzigartig bietet unser Datensatz Annotationen für mehrere Personen in einem einzigen Bild, was die Untersuchung der Aggregation von Mehrfachgesichtsinformationen ermöglicht. Wir schlagen einen probabilistischen Rahmen vor, der visuelle Beweise aus modernen Gesichtserkennungs- und Altersschätzungmodellen sowie karrierebasierte zeitliche Priors formal kombiniert, um das Aufnahmedatum des Fotos abzuleiten.

‘Unsere Experimente zeigen, dass die Aggregation von Beweisen aus mehreren Gesichtern die Leistung konsistent verbessert und der Ansatz die starke szenebasierte Grundlinie deutlich übertrifft, insbesondere für Bilder mit mehreren identifizierbaren Personen.’

Die neue Studie trägt den Titel Foto-Datierung durch Gesichtsalter-Aggregation und stammt von zwei Forschern der Tschechischen Technischen Universität in Prag, mit der Aussicht auf eine spätere Code- und Daten-Veröffentlichung.

Method

Um zu schätzen, wann ein Foto aufgenommen wurde, betrachtet das neue System des Autors jedes erkannte Gesicht und versucht, zu erraten, wer es sein könnte, indem es die oben genannte Datenbank bekannter Personen verwendet. Da eine Person nur einmal in einem Foto erscheinen kann, überprüft das System alle möglichen Identitätskombinationen und verwendet ihre bekannten Geburtsjahre, um zu schätzen, wie alt jede Person aussieht.

Nachdem dies geschehen ist, arbeitet es rückwärts, um das wahrscheinlichste Jahr zu schätzen, das diese Alter in Einklang bringen würde:

Links: Das System erstellt eine Zeitleiste, die zeigt, wann die erkannten Personen am aktivsten waren, basierend auf ihren bekannten Karrieren. Rechts: Dies wird mit Gesichtsalter-Schätzungen kombiniert, um eine endgültige Schätzung für die Aufnahmedatum des Bildes zu erstellen.

Um die vielen möglichen Identitätskombinationen zu bewältigen, geht das System davon aus, dass Gesichter unabhängig sind und dass das Aussehen jedes Gesichts nur von seiner Identität und dem Datum des Fotos abhängt.

Um zu schätzen, wann ein Foto aufgenommen wurde, schätzt das System zunächst das Alter jedes erkannten Gesichts mithilfe des NIST cvut-002-Modells, das auf einer ViT-B/16-Architektur basiert und auf einem privaten Datensatz trainiert wurde (den die Autoren als hoch im NIST-Face-Analysis-Technology-Evaluation-Datenbank einstufen).

Sobald das Geburtsjahr der Person bekannt ist, wandelt das Modell die Altersschätzung in ein wahrscheinliches Foto-Jahr um, indem es einfach das Alter zum Geburtsjahr addiert, was eine Wahrscheinlichkeitsverteilung über mögliche Aufnahmedaten ergibt. Um zu bewerten, wie gut ein erkanntes Gesicht mit einer bekannten Identität übereinstimmt, vergleicht das System ihre Einbettungen im ArcFace-Raum:

ArcFace, die zentrale beitragende Architektur für das nun beliebte InsightFace-Modell, wurde 2015 gestartet und sollte zu einem einflussreichen Projekt in der Gesichtsbewertung und -auswertung werden. Quelle

Jede Identität wird durch eine durchschnittliche Einbettung dargestellt, die aus ihren Referenzporträts erstellt wird. Die Ähnlichkeit zwischen einem Testgesicht und einer Identität wird dann mithilfe einer Von-Mises-Fisher-Verteilung gemessen, die zeigt, wie eng die Porträts der Identität um ihren Durchschnitt herum gruppiert sind. Ein gemeinsamer Scharfheitsparameter steuert, wie sicher das System in diesen Clustern ist, und wird mithilfe einer Leave-one-out-Strategie auf den Identitätsporträts geschätzt.

Das Modell definiert fünf Arten von Priors, um zu schätzen, wann eine erkannte Person in einem Foto erscheinen könnte: gleichmäßig; Jahrzehnt; Film; Bild; und eine konvexe Kombination von Priors, die die stärksten und schwächsten Optionen mischt, um die Empfindlichkeit gegenüber der Prior-Stärke zu testen (d. h. die Widerstandsfähigkeit der Priors unter Stress).

Um Gesichter zu bewältigen, die nicht mit Sicherheit identifiziert werden können, enthält das Modell einen Rückfall-Unbekannt-Modus mit uninformierenden Verteilungen, der eine Gesichtswahrscheinlichkeit aufweist, die im Einbettungsraum flach ist, und eine zeitliche Priorität, die über alle Jahre flach ist. Dies ermöglicht es unsicherem Gesichtern, ohne Voreingenommenheit ignoriert zu werden:

Wie die Leistung beeinträchtigt wird, wenn einige Gesichter in einem Bild nicht identifiziert werden können. Jedes Quadrat zeigt den durchschnittlichen Datierungsfehler für verschiedene Zahlen bekannter und unbekannter Identitäten, wobei die Quadratgröße die Häufigkeit dieser Kombination im Datensatz anzeigt. Der Fehler erhöht sich mit mehr Unbekannten, verringert sich aber stetig, wenn mehr bekannte Identitäten hinzugefügt werden.

Daten und Tests

Die Autoren verwendeten die oben genannte CSFD-Datenbank, um Daten für eine neue Sammlung zu erstellen, die sie CSFD-1,6M nannten. Die Datenbank wurde aus Szenen mit mehreren Personen erstellt, wobei jedes Gesicht mit seiner Identität und seinem Jahr versehen wurde. Diese Struktur war notwendig, um dem Modell beizubringen, wie Gesichter im Kontext zueinander in Beziehung stehen; Einzelgesichtsdatensätze wie IMDB-WIKI unterstützen dies nicht, da sie nur eine Person pro Bild kennzeichnen.

Die Film-Veröffentlichungsjahre aus der Czecho-Slovak Movie Database wurden verwendet, um zu schätzen, wann jedes Foto aufgenommen wurde, wobei jeder Person im Bild ein öffentliches Profil mit ihrem Geburtsjahr und einem Porträt zugeordnet wurde.

Anschließend wurde jedes Gesicht im Bild einer der bekannten Identitäten zugeordnet, zunächst unter Verwendung von ArcFace, um Gesichtseinbettungen zu erstellen, und durch Berechnung einer durchschnittlichen Einbettung für jede Identität.

Danach wurde der Ungarische Algorithmus verwendet, um Gesichter Identitäten zuzuordnen, indem die Ähnlichkeit der Einbettungen verglichen wurde, wobei Anpassungen vorgenommen wurden, wenn die Anzahl der erkannten Gesichter über das SCRFD-10GE-Framework nicht mit der Anzahl der bekannten Personen übereinstimmte.

Statistiken aus der CSFD-1,6M-Datenbank, die die gesammelten Bilder, erkannten Gesichter, Identitätsübereinstimmungen, endgültig annotierten Proben und den verfügbaren Identitäts-Pool aufschlüsseln.

Übereinstimmungen wurden abgelehnt, wenn die Ähnlichkeit zu gering oder wenn das geschätzte Alter zu sehr von dem bekannten Alter abwich, wobei für ältere Probanden eine größere Toleranz zugelassen wurde, und Gesichter wurden nicht nach Qualität oder Größe gefiltert.

Die Autoren betonen die Überlegenheit ihrer kuratierten Menge im Vergleich zur nächsten vergleichbaren Datenbank, IMDB-WIKI:

‘Unsere Datenbank ist nicht nur wesentlich größer, sondern besteht auch aus Mehrpersonenszenen, die für unser Modell erforderlich sind. Obwohl keine web-gesammelte Datenbank frei von Label-Rauschen ist, zielt unsere Annotations-Pipeline darauf ab, höherwertige Identitätszuweisungen zu erreichen, indem sie die expliziten Verbindungen zwischen Bildern und Identitätsprofilen nutzt, die von der Datenbank bereitgestellt werden.’

Ihre Bewertung verglich mehrere Versionen des Datierungssystems, um zu verstehen, woher seine Gewinne kamen. Ein Modell ging von perfektem Wissen über die Identität der im Bild befindlichen Personen aus, was eine Obergrenze für die Leistung bot, indem es alle Unsicherheiten bei der Identitäts-Erkennung entfernte, während die vollständige Version des Modells Identitäten und Daten gemeinsam schätzte, verschiedene mögliche Identitätszuweisungen abwog, bevor es zu einer endgültigen Jahres-Schätzung gelangte.

Ein einfacheres Modell wählte die wahrscheinlichste Identitätskonfiguration ohne Marginalisierung über Alternativen aus, was sich in der Praxis fast genauso effektiv erwies.

Im Gegensatz dazu wies das grundlegendste Basismodell jedem Gesicht unabhängig zu und kombinierte die daraus resultierenden altersbasierten Jahres-Schätzungen, ohne zu berücksichtigen, ob die Identitäten kollektiv Sinn ergaben.

Um zu testen, wie sehr die Methode von der Verwendung von Gesichtern profitierte, wurde ein separates Modell trainiert, um das Datum direkt auf der gesamten Szene zu schätzen. Dieses szenebasierte Modell stellt den stärksten alternativen Ansatz dar, der derzeit bei der Bild-Datierung verwendet wird, da es epochenspezifische visuelle Muster über das gesamte Bild lernen kann, anstatt auf Identität oder Alter zu vertrauen.

Metriken und Daten

Der mittlere absolute Fehler (MAE) zwischen der vorhergesagten Jahreszahl und der bekannten Grundwahrheit war die zentrale Metrik für die Experimente.

Die Daten wurden in fünf Teile aufgeteilt, wobei darauf geachtet wurde, dass alle Bilder aus dem gleichen Film innerhalb einer Partition blieben. Drei dieser Teile wurden für das Training verwendet, einer für die Validierung und einer für die Tests. Diese fünffache Rotation wurde angewendet, um Überanpassung zu vermeiden.

Da die Gesichts-basierten Modelle nicht auf diesem Datensatz trainiert wurden, war keine Aufteilung erforderlich, und stattdessen wurden sie direkt auf dem gesamten CSFD-1,6M-Set bewertet.

Das Szene-Modell wurde über 200 Epochen unter dem Adam-Optimizer trainiert, wobei die Bilder auf eine 384×384-Beschneidung verkleinert wurden.

Ergebnisse

Der Ergebnisteil des Papiers ist ungewöhnlich über eine Reihe von Leistungsindikatoren verteilt, mit keinem einzelnen herausragenden oder zentralen Test. Wir werden jedoch eine Auswahl der wichtigsten Ergebnisse hier präsentieren.

Das wichtigste Ergebnis ist nicht eine einzelne Zahl, sondern ein Muster: Gesichts-Aggregationsmodelle (insbesondere die Voll– und Top-1-Varianten) überbieten die starke Szene-Grundlinie konsistent, wenn zwei oder mehr bekannte Identitäten vorhanden sind – obwohl das Szene-Modell direkt auf dem Datensatz trainiert wurde, was die zentrale Behauptung unterstützt, dass identitätsgebundene Gesichts-Datierung ein robusteres Signal als holistische Szene-Interpretation liefert.

Um die Wirkung der zeitlichen Priors zu bewerten, verglichen die Autoren mehrere Konfigurationen ihres Voll-Modells. Die stärkste Leistung wurde mit dem Jahrzehnt-Prior erzielt, der sowohl das Naive-Modell (das keine zeitliche Priorität verwendet) als auch den Gleichmäßigen-Prior (der keine Vorliebe für Jahre hat) deutlich übertraf:

Die Leistung fällt für alle Methoden stark ab, wenn die Anzahl der Gesichter zunimmt, aber Modelle, die realistische zeitliche Priors wie den Jahrzehnt-Prior verwenden, sind viel weniger betroffen. Die Naive- und Szene-Grundlinien bleiben flach oder verschlechtern sich mit größeren Gruppen, während das Voll-Modell mit informativen Priors einen niedrigen Fehler beibehält. Die orakelbasierten Priors, die auf Test-Set-Statistiken basieren, definieren die untere Grenze für die erreichbare Leistung.

Um den Wert von CSFD-1,6M über die Foto-Datierung hinaus zu demonstrieren, wurde die Datenbank auch als Vor-Trainings-Ressource für die umfassendere Aufgabe der Gesichts-Alters-Schätzung getestet. Nach einem Standard-Bewertungs-Protokoll wurden ResNet101-Modelle auf CSFD-1,6M vorgetrainiert und mit Gegenstücken verglichen, die auf IMDB-WIKI und ImageNet vorgetrainiert wurden. Diese Modelle wurden dann fein abgestimmt und über fünf beliebte Benchmarks bewertet: AgeDB; AFAD, MORPH; UTKFace; und CLAP2016:

Mittlerer absoluter Fehler (plus/minus Standardabweichung) auf fünf Alters-Schätzung-Benchmarks, vergleicht Modelle, die auf ImageNet, IMDB-WIKI und CSFD-1,6M vorgetrainiert wurden. Niedrigere Werte zeigen bessere Leistung. CSFD-1,6M liefert die stärksten Ergebnisse über alle Benchmarks hinweg.

Über alle fünf Datensätze hinweg führte das Vor-Training auf CSFD-1,6M zu den niedrigsten Fehlerraten, wobei es die anderen beiden Vor-Trainings-Quellen um einen klaren Vorsprung übertraf – eine Leistungs-Lücke, die sich am stärksten auf AFAD und CLAP2016, aber überall hinweg zeigte.

Wir verweisen den Leser auf den Rest des etwas fragmentierten Ergebnisteils im Quellen-Papier, der sich auch ausführlich mit Ablations-Studien befasst.

Schlussfolgerung

Obwohl das neue Papier schnell dicht und unzugänglich für den Durchschnittsleser wird, ist das behandelte Thema eines der interessantesten und relevantesten in der Computer-Vision-Literatur – nicht zuletzt, weil es sich elegant in die Anthropologie und Kulturwissenschaften überschneidet, wo die Konstanten schwer zu bestimmen sind.

* Genau wie die musikalische Evolution auch ihre Rate of Change verlangsamte.

Erstveröffentlichung am Montag, den 10. November 2025