KIs Verfolgung von Schönheit

Ein neues KI-gestütztes Bewertungssystem für Schönheit bewertet, wie attraktiv Gesichter erscheinen, während es schneller trainiert wird als typische Deep-Learning-Modelle, was groß angelegte automatisierte Schönheitsbewertung praktischer machen könnte.

Facial Beauty Prediction (FBP) ist ein großes Geschäft und ein ziemlich starker Strang in der Forschungsliteratur. Obwohl es praktisch jedes Prinzip der Bekämpfung von Vorurteilen in KI- und Machine-Learning-Praktiken bricht und obwohl es in vielen Aspekten die Objektivierung und Reduktionismus in algorithmischen Wahrnehmungen von Frauen unterstützt, zieht es dennoch das Interesse mehrerer Milliarden-Dollar-Industrien auf sich, die hauptsächlich auf Frauen ausgerichtet sind, wie z.B. Kosmetik, kosmetische Gesichtschirurgie, Livestreaming und Mode, unter anderem:

Frauen, die von 1-5 bewertet werden, aus dem Paper ‘Asian Female Facial Beauty Prediction Using Deep Neural Networks via Transfer Learning and Multi-Channel Feature Fusion’. Quelle

Jenseits dieser offensichtlichen weiblichen Geschäftsbereiche haben Werbung und mehrere andere Branchen, einschließlich Unterhaltung und Verlagswesen, bemerkenswerte Anteile an der Erforschung dessen, was sowohl Männer als auch Frauen als ‘attraktiv’ empfinden, notwendigerweise auf kultureller Basis.

Die Tatsache, dass die aggregierten Wahrnehmungen von Schönheit über Regionen variieren, bedeutet, dass keine definitiven global anwendbaren Datensätze erhalten werden können und dass neue Forschung entweder parochial bleiben oder sich auf ‘hochrangige’ Methoden konzentrieren muss, die auf diverse kulturelle Daten angewendet werden können.

Eine Schnittstelle für ein Gesichtsbewertungssystem für das SCUT-FBP-Projekt 2015. Quelle

Häufig ist die geografische Lage nicht die einzige Einschränkung, da Datensätze, die auf Attraktivität ausgerichtet sind, Schwierigkeiten haben können, gleiche Wirksamkeit über Geschlechter hinweg zu bieten, oder dass sie für eine bestimmte Anwendung kuratiert wurden – und dies kann die Verwendung der Sammlung in anderen Bereichen einschränken.

Zum Beispiel berichtete ich 2025 über die Entwicklung eines relativ großen (100.000+ Identitäten) Datensatzes, um Attraktivität in Livestreams zu bewerten, dessen enge Standards möglicherweise eine bemerkenswerte Anpassung an umfassendere Projekte benötigen, trotz des enormen Aufwands hinter der Initiative.

Gesichtsbewertung

Wie aus den oben genannten Links und Bildern hervorgeht, operieren asiatische Forschungseinrichtungen oft nicht unter den gleichen kulturellen Einschränkungen wie ihre westlichen Pendants, die sich schwer tun würden, es zu wagen, eine wissenschaftliche Illustration zu veröffentlichen, die fünf westliche Frauen von der unwichtigsten bis zur attraktivsten bewertet, wie wir es in der oben genannten Studie sehen.

Es könnte argumentiert werden, dass, wo asiatische Systeme dieser Art in der Öffentlichkeit wirksam sind, ohne Angst vor lokaler Kritik, westliche Interessen solche Forschung in private, proprietäre Implementierungen adaptieren können. Die Aufgabe, ‘Frauen zu bewerten’, wird in diesem Szenario an einen Ort ausgelagert, an dem sie ohne Kritik verfolgt werden kann.

Unabhängig davon, ob dies häufig vorkommt oder ob weniger öffentlich bekannt gemachte westliche äquivalente Systeme tendenziell außerhalb der offenen Zusammenarbeit und öffentlichen Überwachung entwickelt werden, ist es vernünftig anzunehmen, dass das Ziel von globalem Interesse ist, aufgrund der großen Anzahl von professionellen Sektoren, die von genauen Bewertungen von Attraktivität profitieren können.

Überleben des Stärkeren

Es mag scheinen, dass massive web-scrapable Korpora wie Tik Tok, Instagram und YouTube hervorragende Schiedsrichter der Schönheit wären, indem sie Follower, Likes und Traffic mit Attraktivität korrelieren, da dies eine gemeinsame und vernünftige Assoziation (trotz einiger Ausnahmen) ist.

Ebenso würden bestehende Sammlungen – wie ImageNet und LAION – mit Schauspielern und Modellen, die ‘an die Spitze’ gekommen sind, typischerweise attraktive Individuen (obwohl oft mit zu vielen Datenpunkten von zu wenigen Menschen) aufweisen, was es ermöglicht, breitere kulturelle Mechanismen als Proxy für Attraktivität zu nutzen.

Jedoch berücksichtigt dies nicht die wechselnden Geschmack in dem, was Menschen als attraktiv empfinden, über die Zeit (geschweige denn geografisch). Daher sind wiederum hochrangige und datenunabhängige Systeme erforderlich, nicht individuelle und spezifische Sammlungen oder Kuratierungen, die versagen würden, sich verändernde Geschmacksrichtungen widerzuspiegeln.

Kombinierte Haut

Der neueste akademische Beitrag, der diese Herausforderungen angeht, kommt aus China, wo Transfer-Learning und Broad Learning System (BLS) kombiniert werden, um den langjährigen Trade-off zwischen Genauigkeit und Rechenkosten anzugehen.

Herkömmliche neuronale Netze tendieren dazu, starke Ergebnisse nur mit intensivem Training zu erzielen, während leichtere Systeme wie BLS schnell trainieren, aber Schwierigkeiten haben, genug Details zu erfassen. Die neue Arbeit überbrückt diese Lücke, indem sie ein vorgebildetes visuelles Modell verwendet, um Gesichtsmerkmale zu extrahieren, die dann an ein schnelles BLS-basiertes System für die Bewertung weitergeleitet werden, wodurch Merkmale wiederverwendet werden können, anstatt von Grund auf gelernt zu werden, während das Training effizient bleibt:

Beispielbilder aus dem LSAFBD-Datensatz, die weibliche Gesichter nach menschlich zugewiesenen Schönheitswerten von 1 bis 5 gruppieren. Quelle

Die erste der beiden Varianten, die in der Arbeit eingeführt werden (E-BLS, siehe unten), leitet die extrahierten Merkmale direkt in das leichte System ein, während die zweite, ER-BLS (siehe auch unten), einen einfachen Zwischenschritt einfügt, der diese Merkmale standardisiert und verfeinert, bevor sie für die Bewertung verwendet werden, was dazu beiträgt, die Konsistenz zu verbessern, ohne den Prozess zu verlangsamen.

Die Tests, die von den Autoren durchgeführt wurden, beweisen, wie sie behaupten, dass ihr Ansatz überlegen ist gegenüber jeder Methode für sich und gegenüber anderen vergleichbaren Methoden.

Die neue Studie trägt den Titel Gesichtsbewertung durch Kombination von Transfer-Learning und Broad Learning System und stammt von sechs Forschern der Wuyi-Universität, Jiangmen.

Methode

Das erwähnte Broad Learning System ist eine leichte Alternative zu tiefen neuronalen Netzen, die das Stapeln mehrerer Schichten vermeidet und stattdessen das Lernen über eine breite Menge einfacher Verbindungen verteilt, wodurch Modelle schnell trainiert werden können – aber normalerweise auf Kosten von feineren visuellen Details.

Die erste der beiden Varianten, E-BLS, kombiniert EfficientNet-basiertes Transfer-Learning mit BLS, extrahiert detaillierte visuelle Merkmale aus einem Gesicht und leitet sie dann an BLS weiter, was eine endgültige Vorhersage beinhaltet, die das Training eines vollen tiefen neuronalen Netzes von Grund auf vermeidet:

Architekturschema für das E-BLS-Modell.

EfficientNet, das auf ImageNet-1k vorgebildet wurde und weitgehend unverändert blieb, wandelt jedes Eingabebild in eine kompakte Menge von Feature-Werten um, die das Gesicht auf eine strukturierte Weise beschreiben, während BLS diese Werte verarbeitet und sie durch ein Netzwerk einfacher, zufällig verbundener Knoten transformiert und kombiniert, bevor es die endgültige Attraktivitätsbewertung erzeugt.

Weil BLS nicht auf tiefen geschichteten Strukturen basiert, kann E-BLS aktualisiert werden, indem einfach weitere Knoten hinzugefügt werden, anstatt das gesamte System neu zu trainieren. Dies hält das Training schnell und erleichtert es, das Modell zu verbessern, wenn neue Daten eingeführt werden.

Die zweite der beiden Varianten, ER-BLS, baut auf E-BLS auf, indem sie einen zusätzlichen Verarbeitungsschritt zwischen dem EfficientNet-Feature-Extractor und BLS einfügt, mit dem Ziel, die extrahierten Merkmale zu standardisieren und zu verfeinern, bevor sie für die Bewertung verwendet werden:

Architektur des ER-BLS-Modells.

Anstatt die rohen EfficientNet-Merkmale direkt an BLS weiterzuleiten, leitet ER-BLS sie zuerst durch eine Verfeinerungsschicht, die die Daten standardisiert und umformt, was dazu beiträgt, Rauschen zu reduzieren und die Merkmale konsistenter zu machen. Dieser Schritt ist dazu gedacht, die Fähigkeit des Systems zu verbessern, sich auf unterschiedliche Bilder und Szenarien zu verallgemeinern, insbesondere wenn Gesichter in Beleuchtung, Pose oder anderen visuellen Bedingungen variieren, die sonst Instabilität in die Vorhersagen einführen könnten.

Die verfeinerten Merkmale werden dann in die gleiche BLS-Struktur eingegeben, die in E-BLS verwendet wird, in der Feature-Knoten und Enhancement-Knoten die Informationen transformieren und kombinieren, um die endgültige Attraktivitätsbewertung zu erzeugen.

Daten und Tests

Um ihren Ansatz zu testen, nutzten die Autoren den SCUT-FBP5500-Datensatz, eine Gesichtsbewertungssammlung der Südchinesischen Universität, die 5.500 frontale Gesichtsbilder im Format 350x350px enthält, mit einer Vielzahl von Rassen, Geschlechtern und Altersgruppen:

Beispielbilder aus dem SCUT-FBP5500-Datensatz, die Gesichter mit unterschiedlichen Eigenschaften von 1 (am wenigsten attraktiv) bis 5 (am attraktivsten) zeigen.

Jedes Bild wurde von 60 Freiwilligen mit einem Schönheitswert auf einer Skala von 1-5 bewertet, von extrem unattraktiv (1) bis extrem attraktiv (5):

Die Aufteilung der Proportionen der Bilder nach Schönheitswert.

Der andere verwendete Datensatz war die Large-Scale Asian Female Beauty Dataset (LSAFBD)-Sammlung, eine von den Autoren selbst kuratierte Sammlung.

Beispielbilder aus dem LSAFBD-Datensatz, die Gesichter mit unterschiedlichen Eigenschaften von 1 (am wenigsten attraktiv) bis 5 (am attraktivsten) zeigen.

Die Sammlung besteht aus 80.000 unbearbeiteten Bildern im Format 144x144px, mit Variationen in Pose und Hintergrund sowie Alter. Diese wurden von 75 Freiwilligen für die gleichen Kriterien wie der vorherige Datensatz bewertet, diesmal auf einer Skala von 0-4:

Die Aufteilung der Proportionen der Bilder im LSAFBD-Datensatz.

Jeder Datensatz wurde in Trainings- und Testsegmente im Verhältnis 8/20 aufgeteilt, und Cross-Validation wurde verwendet, um die Ergebnisse über die Läufe hinweg zu stabilisieren. Der BLS-Teil wurde durch die Anzahl der Feature-Fenster, die Anzahl der Knoten pro Fenster und die Anzahl der Enhancement-Knoten konfiguriert, wobei Hyperopt verwendet wurde, um effektive Kombinationen zu finden.

Um einen Vergleichswert zu etablieren, wurde ein Standard-BLS-Modell unter identischen Bedingungen trainiert, wonach eine Reihe von Transfer-Learning-Modellen eingeführt wurden, einschließlich ResNet50, Inception-V3, DenseNet121, InceptionResNetV2, EfficientNetB7, MobileNetV2, NASNet und Xception – alle initialisiert mit ImageNet-1k-Gewichten und trainiert mit ihren letzten Schichten unverändert.

Das Training verwendete eine Lernrate von 0,001 (reduziert, wenn der Fortschritt stagnierte), und eine Batch-Größe von 16, über 50 Epochen hinweg, mit Regularisierung und Rechtwinklige Aktivierung (ReLU) überall angewendet.

Die Leistung wurde unter Verwendung von Genauigkeit und Pearson-Korrelation bewertet, zusammen mit der Gesamtbildungszeit, wobei die Ergebnisse über fünf Läufe hinweg gemittelt wurden.

Die Autoren berichten, dass die Trainingsumgebung aus einem Intel-i7-3,6-GHz-Prozessor und 64 GB RAM auf einem ‘Desktop-Computer’ bestand:

Leistungsvergleich auf SCUT-FBP5500, bei dem E-BLS und ER-BLS eine wettbewerbsfähige Genauigkeit gegenüber tiefen CNN-Modellen wie ResNet50, EfficientNetB7, InceptionV3 und Xception erreichen, während sie wesentlich weniger Trainingszeit benötigen.

Die Ergebnisse zeigten, dass E-BLS die Genauigkeit von 65,85 % auf 73,13 % verbesserte, während ER-BLS 74,69 % erreichte, was alle verglichenen Modelle übertraf. Die Trainingszeit blieb deutlich niedriger als bei tiefen CNNs, bei etwa 1.300 Sekunden, im Vergleich zu mehreren Tausend bis über 25.000 Sekunden.

Bei den Tests auf LSAFBD zeigten die Ergebnisse, dass E-BLS die Genauigkeit gegenüber dem einfachen BLS verbesserte, während ER-BLS die höchste Genauigkeit unter allen verglichenen Methoden erreichte:

Leistung auf LSAFBD, bei dem ER-BLS und E-BLS eine höhere Genauigkeit als alle Baseline- und Transfer-Learning-Modelle erreichen.

Beide Varianten behielten eine wesentlich niedrigere Trainingszeit als tiefe CNN-Modelle bei, was auf einen effizienteren Ausgleich zwischen Leistung und Rechenkosten hindeutet.

Schlussfolgerung

Dies ist in gewisser Weise eine ‘Rückkehr’ zur Veröffentlichung, wie sie durch die Verwendung von Vor-Boom-Favoriten wie CNNs und durch die niedrigste Trainingsausrüstung, die ich in einem neuen Paper in vielen Jahren gesehen habe, deutlich wird.

Dennoch beschäftigt es sich mit einem überraschend widerstandsfähigen Ziel in der Computer-Vision; einem, das stark mit menschlicher Erfahrung und subjektiver Interpretation zusammenhängt und das ein Schema erfordert, das die ästhetischen Trends des Moments überwindet und eine wirklich widerstandsfähige Pipeline für die Aufgabe liefern kann.

Erstveröffentlicht am Donnerstag, den 19. März 2026