KI-Tool entfernt Make-up, um Minderjährige am Umgehen von Altersprüfungen zu hindern

Das Aussehen von Gesichtsmakeup lässt Minderjährige, meist Mädchen, an Selbstausweis-basierten Altersprüfungen auf Plattformen wie Dating-Apps und E-Commerce-Seiten vorbeischlüpfen. Ein neues KI-Tool adressiert diese Lücke, indem es ein diskriminierendes Modell verwendet, das Make-up entfernt und die Identität bewahrt, was es Minderjährigen schwerer macht, automatisierte Systeme zu täuschen.

Die Verwendung von Selbstausweis-basierten Altersverifizierungsdiensten von Drittanbietern ist im Aufwind, nicht zuletzt wegen eines allgemeinen globalen Impulses in Richtung Online-Altersverifizierung.

Beispielsweise sieht das neue Durchsetzungsregime, das der Online Safety Act des Vereinigten Königreichs jetzt vorschreibt, Altersverifizierung durch eine Vielzahl von Drittanbieter-Diensten vor, die verschiedene Methoden verwenden, einschließlich visueller Altersverifizierung, bei der KI verwendet wird, um das Alter des Benutzers visuell vorherzusagen (in der Regel aus Live-Mobile-Kamera-Aufnahmen). Dienste, die Ansätze dieser Art verwenden, umfassen Ondato, TrustStamp und Yoti.

Altersschätzung ist jedoch nicht unfehlbar, und die traditionelle Bestrebung von Teenagern, die Rechte des Erwachsenenalters vorwegzunehmen, bedeutet, dass junge Menschen eine Vielzahl von effektiven Methoden entwickelt haben, um Dating-Seiten, Foren und andere Umgebungen zu betreten, die ihre Altersgruppe verbieten.

Eine dieser Methoden, die am häufigsten von Frauen* verwendet wird, ist das Tragen von Gesichtsmakeup – eine Taktik, die bekanntermaßen automatisierte Altersschätzungssysteme täuscht, die im Allgemeinen das Alter von jungen Menschen überschätzen und das Alter von älteren Menschen unterschätzen.

Nicht nur die Mädchen

Bevor Proteste gegen die Betrachtung von Make-up als “weiblich fokussiert” entstehen, müssen wir beachten, dass das Vorhandensein von Gesichtsmakeup bei jedem eine sehr unzuverlässiger Indikator für das Geschlecht ist:

In der Studie ‘Impact of Facial Cosmetics on Automatic Gender and Age Estimation Algorithms’ fanden US-Forscher heraus, dass Geschlechtsverifizierungssysteme von geschlechtswechselndem Make-up getäuscht wurden. Quelle: https://cse.msu.edu/~rossarun/pubs/ChenCosmeticsGenderAge_VISAPP2014.pdf

Im Jahr 2024 wurden 72 % der US-amerikanischen männlichen Verbraucher im Alter von 18-24 Jahren geschätzt, Make-up in ihre Pflegeroutine aufzunehmen – obwohl die meisten Kosmetikprodukte verwenden, um das Aussehen von gesunder Haut zu verbessern, anstatt sich für die Art von performative Mascara/Lippenstift-Kombinationen zu entscheiden, die mehr mit weiblichen visuellen Ästhetik assoziiert werden.

Wir können also nicht umhin, das in diesem Artikel untersuchte Material entlang der Linien des am häufigsten in neuen Forschungen untersuchten Szenarios zu behandeln – nämlich das von weiblichen Minderjährigen, die Make-up verwenden, um automatisierte visuelle Altersverifizierungssysteme zu umgehen.

Effektive Make-up-Entfernung – Der KI-Weg

Die oben genannte Forschung stammt von drei Mitwirkenden der New York University in Form des neuen Papiers DiffClean: Diffusionsbasierte Make-up-Entfernung für genaue Altersschätzung.

Das Ziel des Projekts ist es, eine KI-gesteuerte Methode zur Entfernung des Make-up-Aussehens aus Bildern (potenziell einschließlich Video-Bildern) zu entwickeln, um eine bessere Vorstellung vom tatsächlichen Alter der Person hinter dem Make-up zu erhalten.

Aus dem neuen Papier, ein Beispiel dafür, wie Make-up-Entfernung die Altersvorhersage erheblich verändern kann. Quelle: https://arxiv.org/pdf/2507.13292

Eine der Herausforderungen bei der Entwicklung eines solchen Systems ist die potenzielle Sensibilität bei der Erfassung oder Kuration von Bildern von minderjährigen Mädchen mit Erwachsenen-Make-up. Letztendlich verwendeten die Forscher ein Drittanbieter-Generative-Adversarial-Network-basiertes System namens EleGANt, um Make-up-Stile künstlich aufzudrücken, eine Technik, die sich als sehr effektiv erwies:

Das 2022 von der Tsinghua-Universität entwickelte EleGANt-System verwendet ein Generative Adversarial Network (GAN), um Kosmetika authentisch auf Quellbilder aufzudrücken. Quelle: https://arxiv.org/pdf/2207.09840

Mit Hilfe von synthetischen Daten, die auf diese Weise erhalten wurden, und mit Hilfe einer Vielzahl von Nebenprojekten und Datenbanken konnten die Autoren die State-of-the-Art-Methoden bei der Altersschätzung übertreffen, wenn sie mit “performativem” oder “offensichtlichem” Make-up konfrontiert wurden.

Das Papier besagt:

‘DiffClean [entfernt] Make-up-Spuren mithilfe eines textgesteuerten Diffusionsmodells, um Make-up-Angriffe abzuwehren. [Es] verbessert die Altersschätzung (Minderjährige vs. Erwachsene Genauigkeit um 4,8%) und Gesichtsverifizierung (TMR um 8,9% bei FMR=0,01%) im Vergleich zu konkurrierenden Baselines auf digital simulierten und echten Make-up-Bildern.’

Lassen Sie uns einen Blick darauf werfen, wie sie diese Aufgabe angegangen sind.

Methode

Um echte Bilder von Minderjährigen mit Make-up zu vermeiden, verwendeten die Autoren EleGANt, um synthetisches Make-up auf Bilder aus der UTKFace-Datenbank aufzudrücken, wodurch Trainings- und Testpaare erstellt wurden.

Beispiele aus der UTKFace-Datenbank. Quelle: https://susanqq.github.io/UTKFace/

DiffClean wurde dann trainiert, um diese Transformation rückgängig zu machen. Da Altersschätzungsalgorithmen am meisten bei jüngeren Altersgruppen fehlschlagen, fanden die Forscher es notwendig, einen Proxy-Altersklassifizierer zu entwickeln, der auf den Zielaltern (10-19 Jahre) fein abgestimmt war. Zu diesem Zweck verwendeten sie die SSRNet-Architektur, die auf UTKFace trainiert wurde, mit einem gewichteten L1-Verlust.

Ein vereinfachtes Modell der 2021 OpenAI Diffusionsmodell bildete die Grundlage für die Transformation, wobei die Autoren die Kernarchitektur beibehielten, aber mit zusätzlichen Aufmerksamkeitsköpfen in verschiedenen Auflösungen, tieferen Schichten und BigGAN-Stilen, um die Upsampling- und Downsampling-Phasen zu verbessern.

Richtungssteuerung wurde mithilfe von CLIP-Prompts eingeführt: speziell Gesicht mit Make-up und Gesicht ohne Make-up, damit das Modell lernte, in die gewünschte semantische Richtung zu gehen, und es ermöglichte, Make-up zu entfernen, ohne Gesichtsdetails, Altershinweise oder Identität zu beeinträchtigen.

Synthetisches Make-up, das mithilfe von EleGANt aufgedrückt wurde. Jedes Tripel zeigt das ursprüngliche UTKFace-Bild (links), den Referenz-Make-up-Stil (Mitte) und das Ergebnis nach Stilübertragung (rechts). Make-up-Übertragung dieser Art ist in der Computer-Vision-Literatur weit verbreitet und diese Funktion ist auch in den neuronalen Filtern von Adobe Photoshop verfügbar, die ähnlich Make-up von einem Referenzbild auf ein Zielbild aufdrücken können.

Vier wichtige Verlustfunktionen leiteten die Make-up-Entfernung ohne Beeinträchtigung der Gesichtsidentität oder Altershinweise. Neben dem oben genannten CLIP-basierten Verlust wurde die Identität mithilfe eines gewichteten Paares von ArcFace-Verlusten aus der InsightFace-Bibliothek bewahrt – Verluste, die die Ähnlichkeit zwischen dem generierten Gesicht und sowohl dem ursprünglichen sauberen Bild als auch dem “gemachten” Bild maßen, um sicherzustellen, dass das Thema vor und nach der Make-up-Entfernung visuell konsistent blieb.

Drittens wurde der perzeptuelle Verlust LPIPS verwendet, um Pixel-Realismus mit L1-Distanz zu erzwingen und das Gesamtbild nach der Entfernung des Make-ups zu bewahren.

Schließlich wurde das Alter mithilfe eines fein abgestimmten SSRNet trainiert, das auf der UTKFace-Datenbank trainiert wurde, wobei das Modell einen geglätteten L1-Verlust (mit schwereren Strafen für Fehler im Alter von 10-29 Jahren, wo Fehlklassifizierungen am häufigsten sind) verwendete. Eine Variante des Modells ersetzte dies durch einen CLIP-basierten Altersprompt, der das Modell aufforderte, das Aussehen eines bestimmten Alters zu treffen.

Für die Altersschätzung zur Inferenzzeit (im Gegensatz zur Verwendung von SSRNet zur Trainingszeit) wurde das 2023 MiVOLO-Framework verwendet.

Daten und Tests

Die Feinabstimmung von UTKFace verwendete ein Trainingsset von 15.364 Bildern, gegen ein Testset von 6.701 Bildern. Die ursprünglichen 20.000 Bilder wurden gefiltert, um jeden über 70 Jahre alten zu entfernen, und dann ebenfalls im Verhältnis 70:30 aufgeteilt.

Im Einklang mit der vorherigen Methode, die von dem 2023 DiffAM-Projekt etabliert wurde, erfolgte das Training in zwei Phasen, wobei die erste Sitzung 300 reale Make-up-Bilder (diesmal ein 200/100-Split zwischen Training und Validierung) aus dem MT-Datensatz von BeautyGAN verwendete.

Das Modell wurde dann weiter verfeinert, indem 300 zusätzliche UTKFace-Bilder verwendet wurden, die mithilfe von EleGANt mit synthetischem Make-up versehen wurden. Dies erstellte ein endgültiges Trainingsset von 600 Beispielen, die über fünf Referenzstile von BeautyGAN gepaart wurden. Da die Make-up-Entfernung das Abbilden vieler Make-up-Stile auf ein einziges sauberes Gesicht beinhaltet, konzentrierte sich das Training auf breite Generalisierung anstelle der Abdeckung jeder möglichen kosmetischen Variation.

Die Leistung wurde auf synthetischen und realen Bildern bewertet. Synthetische Tests verwendeten 2.556 Flickr-Faces-HQ-Datenbank (FFHQ)-Bilder, gleichmäßig über neun Altersgruppen unter 70 aufgeteilt und mithilfe von EleGANt modifiziert.

Die Generalisierung wurde mithilfe von 3.000 Bildern aus BeautyFace und 355 aus LADN bewertet, die echtes Make-up enthalten.

Beispiele aus der BeautyFace-Datenbank, die die semantische Segmentierung zeigen, die verschiedene Bereiche der betroffenen Gesichtsoberfläche definiert. Quelle: https://li-chongyi.github.io/BeautyREC_files/

Metriken und Implementierung

Für Metriken verwendeten die Autoren Mittlerer absoluter Fehler (MAE) zwischen den tatsächlichen Werten (echten Bildern mit festen Altersangaben) und den vorhergesagten Alterswerten, wobei niedrigere Ergebnisse besser sind; Altersgruppen-Genauigkeit wurde verwendet, um zu bewerten, ob die vorhergesagten Alterswerte in die richtigen Gruppen fielen (in diesem Fall sind niedrigere Ergebnisse besser); Minderjährige/Erwachsene-Genauigkeit wurde verwendet, um die korrekte Identifizierung von 18+ Personen zu bewerten (in diesem Fall ist ein höheres Ergebnis besser).

Zusätzlich berichten die Autoren, obwohl es nicht das spezifische Thema betrifft, Identitätsverifizierungs-Metriken in Form von True Match Rate (TMR) und False Match Rate (FMR), sowie weitere Berichte zu verwandten Receiver-Operating-Characteristic (ROC)-Werten.

SSRNet wurde auf 64×64px-Bildern mit einem Batch-Größe von 50 unter dem Adam-Optimizer mit einem Gewichtsverfall von 1e−4 sowie einem Kosinus-Annealing-Planer und einer Lernrate von 1e−3 über 200 Epochen mit Frühzeitiges Stoppen durchgeführt.

Im Gegensatz dazu erhielt das DiffClean-Modul 256×256px-Eingabebilder und wurde für fünf Epochen mit Adam fein abgestimmt, bei einer groberen Lernrate von 4e−3. Die Stichproben verwendeten 40 DDIM-Inversions-Schritte und 6 DDIM-Forward-Schritte. Alle Trainings wurden auf einer einzelnen NVIDIA A100 GPU (ob mit 40 GB oder 80 GB VRAM, wurde nicht angegeben) durchgeführt.

Die getesteten Vergleichssysteme waren CLIP2Protect und das oben erwähnte DiffAM. Die Autoren verwendeten ‘Matte’-Make-up-Stile im Workflow, da dies in CLIP2Protect als höhere Erfolgsrate (vermutlich eine Gelegenheit für diejenigen, die diesen Ansatz besiegen möchten – aber das ist ein anderes Thema) festgestellt wurde.

Um DiffAM als Baseline zu replizieren, wurde das vorgebildete Modell von BeautyGAN auf dem MT-Datensatz fein abgestimmt. Für den adversarialen Make-up-Transfer wurde der Checkpoint von DiffAM mit Standardparametern für das Zielmodell, das Referenzbild und die Identität verwendet.

Leistung von DiffClean im Vergleich zu Baselines bei Altersschätzungsaufgaben, die mit MiVOLO verwendet werden. Die berichteten Metriken sind Minderjährige/Erwachsene-Klassifizierungs-Genauigkeit, Altersgruppen-Genauigkeit und mittlerer absoluter Fehler (MAE). DiffClean mit CLIP-Altersverlust erzielt die besten Ergebnisse bei allen Metriken.

Von diesen Ergebnissen berichten die Autoren:

‘Unsere Methode DIFFCLEAN übertrifft beide Baselines, CLIP2Protect und DiffAM, und kann erfolgreich die Altershinweise wiederherstellen, die durch Make-up gestört wurden, indem sie den mittleren absoluten Fehler (auf 5,71) senkt und die Gesamterscheinungs-Genauigkeit (auf 37%) verbessert.’

‘Unser Ziel konzentrierte sich auf Minderjährige, und die Ergebnisse zeigen, dass wir eine überlegene Minderjährige/Erwachsene-Altersklassifizierung von 88,6% erreichen.’

Make-up-Entfernungsergebnisse von Baseline- und vorgeschlagenen Methoden. Die linke Spalte zeigt Quellbilder, die nächste Ausgaben von CLIP2Protect und DiffAM. Die dritte Spalte zeigt Ergebnisse von DiffClean via SSRNet und CLIP-basiertem Altersverlust. Die Autoren behaupten, dass DiffClean Make-up effektiver entfernt, wobei die Merkmalsverzerrung, die bei CLIP2Protect zu beobachten ist, und die verbleibenden Kosmetika, die DiffAM verpasst, vermieden werden.

Die Autoren weisen weiter darauf hin, dass Make-up nicht einen einheitlichen Effekt auf das wahrgenommene Alter hat, sondern dass es das scheinbare Alter eines Gesichts erhöhen, verringern oder unverändert lassen kann. Daher versucht DiffClean nicht, eine “Blanket-Reduzierung” des vorhergesagten Alters vorzunehmen, sondern versucht stattdessen, die ursprünglichen Altershinweise durch Entfernen von Kosmetikspuren wiederherzustellen:

Make-up-Entfernungsergebnisse aus den CelebA-HQ- und CACD-Datenbanken. Jede Spalte zeigt ein Paar von Bildern vor (links) und nach (rechts) der Make-up-Entfernung. In der ersten Spalte verringert sich das vorhergesagte Alter nach der Make-up-Entfernung; in der zweiten bleibt es unverändert; und in der dritten erhöht es sich.

Um zu testen, wie gut DiffClean auf neue Daten funktioniert, wurde es auf die BeautyFace- und LADN-Datenbanken angewendet, die echtes Make-up enthalten, aber keine gepaarten Bilder desselben Subjekts ohne Kosmetika. Altersvorhersagen, die vor und nach der Make-up-Entfernung gemacht wurden, wurden verglichen, um zu bewerten, wie effektiv DiffClean die durch Make-up eingeführte Verzerrung reduzierte:

Make-up-Entfernungsergebnisse auf realen Bildern aus den LADN- (linke Paarung) und BeautyFace- (rechte Paarung) Datenbanken. DiffClean reduziert die vorhergesagten Alterswerte, indem es Kosmetika entfernt, und verringert die Kluft zwischen scheinbarem und tatsächlichem Alter. Weiße Zahlen zeigen die geschätzten Alterswerte vor und nach der Verarbeitung.

Die Ergebnisse zeigten, dass DiffClean konsistent die Kluft zwischen scheinbarem und tatsächlichem Alter verringerte. Über beide Datenbanken hinweg verringerte es die Über- und Unterschätzungsfehler um etwa drei Jahre im Durchschnitt, was darauf hindeutet, dass das System gut auf reale kosmetische Stile generalisiert.

Schlussfolgerung

Es ist interessant und vielleicht unvermeidlich, dass performative kosmetische Make-up auf eine konträre Weise verwendet wird. Angesichts der Tatsache, dass Mädchen zu unterschiedlichen Raten heranwachsen, aber als Gruppe konsistent schneller heranwachsen, kann die Aufgabe, die Schwelle zwischen minderjährigem und erwachsenem weiblichem Status zu identifizieren, eine der ambitioniertesten sein, die die Forschungsszene bisher in Angriff genommen hat.

Trotzdem kann die Zeit und die Daten letztendlich konsistente altersbezogene Anzeichen bestimmen, die zur Verankerung visueller Altersverifizierungssysteme verwendet werden können.

* Da dieses Thema zu emotionalen Sprachgebrauch einlädt und da ‘Mädchen’ ausschließend ist (während ‘Frauen und Mädchen’, der derzeit akzeptierte Begriff für weiblich-geschlechtete Menschen, in diesem Fall keine genaue Beschreibung ist), habe ich mich für ‘weiblich’ als beste Kompromisslösung entschieden, die ich finden konnte – obwohl es nicht alle demografischen Feinheiten erfasst, wofür ich mich entschuldige.

^† In diesem Artikel verwende ich ‘performativ’, um Make-up zu beschreiben, das dazu gedacht ist, als Make-up erkannt zu werden, wie z.B. Mascara, Eyeliner, Rouge und Foundation, im Gegensatz zu versteckten Cremes und anderen ‘heimlichen’ Arten von kosmetischen Anwendungen.

Erstveröffentlicht am Freitag, den 18. Juli 2025