Εργαλείο AI Αφαιρεί Μακιγιάζ για να Εμποδίσει Ανήλικους από το Να Παρεμποδίζουν τους Ελέγχους Ηλικίας

Η εμφάνιση των προσωπικών κοσμητικών επιτρέπει σε ανήλικους χρήστες, κυρίως σε κορίτσια, να περνούν από τους ελέγχους ηλικίας που βασίζονται σε自拍 σε πλατφόρμες όπως εφαρμογές γνωριμιών και ιστοσελίδες ηλεκτρονικού εμπορίου. Ένα νέο εργαλείο AI αντιμετωπίζει αυτή τη λεία, χρησιμοποιώντας ένα διακριτικό μοντέλο που έχει εκπαιδευτεί να αφαιρεί το μακιγιάζ ενώ διατηρεί την ταυτότητα, καθιστώντας πιο δύσκολο για τους ανήλικους να εξαπατήσουν τα αυτόματα συστήματα.

Η χρήση υπηρεσιών τρίτων, βασισμένων σε自拍, για την επαλήθευση της ηλικίας είναι σε άνοδο, όχι τουλάχιστον λόγω της γενικής παγκόσμιας ώθησης προς την online επαλήθευση της ηλικίας.

Για παράδειγμα, στο νέο καθεστώς επιβολής που το Online Safety Act του Ηνωμένου Βασιλείου τώρα επιβάλλει, η επαλήθευση της ηλικίας μπορεί να διεξαχθεί από eine ποικιλία υπηρεσιών τρίτων υπηρεσιών, χρησιμοποιώντας διάφορες πιθανές μεθόδους, συμπεριλαμβανομένης της οπτικής επαλήθευσης της ηλικίας, όπου το AI χρησιμοποιείται για να προβλέψει οπτικά την ηλικία του χρήστη (συνήθως από ζωντανούς mobile κάμερα βίντεο). Υπηρεσίες που χρησιμοποιούν προσεγγίσεις αυτού του είδους περιλαμβάνουν Ondato, TrustStamp, και Yoti.

Ωστόσο, η εκτίμηση της ηλικίας δεν είναι αλάθητη, και η παραδοσιακή απόφαση των εφήβων να προβλέψουν τα δικαιώματα της ενήλικης ηλικίας σημαίνει ότι οι νέοι άνθρωποι έχουν αναπτύξει μία ποικιλία αποτελεσματικών μεθόδων για να εισέλθουν σε εφαρμογές γνωριμιών, φόρουμ και άλλα περιβάλλοντα που απαγορεύουν την ηλικία τους.

Μια από αυτές τις μεθόδους, που χρησιμοποιείται πιο συχνά από γυναίκες, είναι το φόρεμα προσωπικού μακιγιάζ – μια τακτική γνωστή να εξαπατά τα αυτόματα συστήματα εκτίμησης της ηλικίας, τα οποία γενικά υπερεκτιμούν την ηλικία των νέων ανθρώπων και υποτιμούν την ηλικία των μεγαλύτερων ανθρώπων.

Όχι Μόνο τα Κορίτσια

Πριν από την προέλευση διαμαρτυριών για την εξέταση του μακιγιάζ ως ‘γυναικείας εστίασης’, πρέπει να σημειωθεί ότι η παρουσία προσωπικών κοσμητικών σε οποιονδήποτε είναι ένας πολύ αβέβαιο δείκτη του φύλου:

Στην εργασία ‘Επίδραση των Προσωπικών Κοσμητικών στα Αυτόματα Αλγόριθμους Εκτίμησης Φύλου και Ηλικίας’ οι ερευνητές των ΗΠΑ βρήκαν ότι τα συστήματα επαλήθευσης φύλου εξαπατήθηκαν από το μακιγιάζ που αλλάζει το φύλο. Πηγή: https://cse.msu.edu/~rossarun/pubs/ChenCosmeticsGenderAge_VISAPP2014.pdf

Το 2024, το 72% των ανδρών καταναλωτών στις Ηνωμένες Πολιτείες μεταξύ των ηλικιών 18-24 εκτιμάται ότι ενσωματώνουν το μακιγιάζ στη ρουτίνα περιποίησης τους – αν και οι περισσότεροι χρησιμοποιούν προϊόντα κοσμητικής για να βελτιώσουν την εμφάνιση της υγιούς επιδερμίδας, αντί να ασχολούνται με το είδος του περιφοράς που συνδέεται με την αισθητική των γυναικών.

Ωστόσο, η εκτίμηση της ηλικίας δεν είναι αλάθητη, και η παραδοσιακή απόφαση των εφήβων να προβλέψουν τα δικαιώματα της ενήλικης ηλικίας σημαίνει ότι οι νέοι άνθρωποι έχουν αναπτύξει μία ποικιλία αποτελεσματικών μεθόδων για να εισέλθουν σε εφαρμογές γνωριμιών, φόρουμ και άλλα περιβάλλοντα που απαγορεύουν την ηλικία τους.

Εфективική Αφαίρεση Μακιγιάζ – Ο Τρόπος του AI

Η έρευνα που αναφέρθηκε παραπάνω προέρχεται από τρεις συντελεστές στο Πανεπιστήμιο της Νέας Υόρκης, με τη μορφή της νέας εργασίας DiffClean: Diffusion-based Makeup Removal for Accurate Age Estimation.

Το αντικείμενο του έργου είναι να επιτύχει μια μεθοδολογία AI-κίνησης για την αφαίρεση της εμφάνισης του μακιγιάζ από εικόνες (πотεντικά συμπεριλαμβανομένων βίντεο εικόνων), για να λάβει μια καλύτερη ιδέα της πραγματικής ηλικίας του ατόμου πίσω από το μακιγιάζ.

Από την νέα εργασία, ένα παράδειγμα του πώς η αφαίρεση μακιγιάζ μπορεί να αλλάξει σημαντικά την πρόβλεψη της ηλικίας. Πηγή: https://arxiv.org/pdf/2507.13292

Μια από τις προκλήσεις της ανάπτυξης ενός τέτοιου συστήματος είναι η πιθανή ευαισθησία γύρω από τη συλλογή ή την επιμέλεια εικόνων ανηλίκων κοριτσιών με ενήλικας μακιγιάζ. Στο τέλος, οι ερευνητές χρησιμοποίησαν ένα σύστημα τρίτων με βάση το Generative Adversarial Network που ονομάζεται EleGANt για να επιβάλλουν τεχνητά στυλ μακιγιάζ, μια τεχνική που αποδείχθηκε πολύ αποτελεσματική:

Το σύστημα EleGANt του Πανεπιστημίου Tsinghua του 2022 χρησιμοποιεί Generative Adversarial Networks (GANs) για να επιβάλλει αυθεντικά κοσμητικά σε φωτογραφίες πηγής. Πηγή: https://arxiv.org/pdf/2207.09840

Με τη βοήθεια συνθετικών δεδομένων που λήφθηκαν με αυτόν τον τρόπο, και με τη βοήθεια μιας ποικιλίας βοηθητικών έργων και συνόλων δεδομένων, οι συγγραφείς μπόρεσαν να υπερβούν τις μεθόδους της κατάστασης της τέχνης στην εκτίμηση της ηλικίας όταν αντιμετωπίζουν εύδηλο μακιγιάζ.

Η εργασία αναφέρει:

‘DiffClean [αφαιρεί] τις ιχνηλίες του μακιγιάζ χρησιμοποιώντας ένα μοντέλο διαχύσεως με οδηγία κειμένου για να αμυνθεί ενάντια στις επιθέσεις μακιγιάζ. [Το] βελτιώνει την εκτίμηση της ηλικίας (ακρίβεια ενηλίκων vs ανηλίκων κατά 4,8%) και την επαλήθευση του προσώπου (TMR κατά 8,9% στο FMR=0,01%) σε σχέση με τις ανταγωνιστικές βάσεις σε ψηφιακά προσομοιωμένα και πραγματικά εικόνες μακιγιάζ.’

Ας δούμε πώς προχώρησαν στην εργασία.

Μέθοδος

Για να αποφευχθεί η πηγή πραγματικών εικόνων ανηλίκων με μακιγιάζ, οι συγγραφείς χρησιμοποίησαν το EleGANt για να εφαρμόσουν συνθετικά κοσμητικά σε εικόνες από το UTKFace dataset, παράγοντας ζευγάρια πριν και μετά για εκπαίδευση.

Παραδείγματα από το UTKFace dataset. Πηγή: https://susanqq.github.io/UTKFace/

Το DiffClean εκπαιδεύτηκε τότε για να αντιστρέψει αυτή τη μεταμόρφωση.既然 η εκτίμηση της ηλικίας σφάλλεται περισσότερο όταν αντιμετωπίζει νεότερες ηλικιακές ομάδες, οι ερευνητές βρήκαν αναγκαίο να αναπτύξουν einen διαμεσολαβητή ταξινομητή ηλικίας fine-tuned στις στόχους ηλικιών (10-19 ετών). Για αυτόν τον σκοπό χρησιμοποίησαν την αρχιτεκτονική SSRNet εκπαιδευμένη στο UTKFace, με ένα βαρόμετρο L1 loss.

Μια απλοποιημένη έκδοση του μοντέλου διαχύσεως του 2021 OpenAI diffusion model παρείχε την πλάτη για τη μεταμόρφωση, με τους συγγραφείς να διατηρούν την πλάτη της αρχιτεκτονικής, αλλά να την τροποποιούν με επιπλέον κεφαλές προσοχής σε διάφορες ανάλυσεις, βαθύτερες στρώσεις και BigGAN-style blocks για να βελτιώσουν τις φάσεις upsampling και downsampling.

Η κατευθυντική έλεγχος εισήχθη χρησιμοποιώντας CLIP prompts: συγκεκριμένα, πρόσωπο με μακιγιάζ και πρόσωπο χωρίς μακιγιάζ,  ώστε το μοντέλο να μάθει να κινείται στην επιθυμητή σημασιολογική κατεύθυνση, επιτρέποντας την αφαίρεση του μακιγιάζ χωρίς να επηρεάσει την λεπτομέρεια του προσώπου, τις ενδείξεις ηλικίας ή την ταυτότητα.

Συνθετικό μακιγιάζ που εφαρμόζεται χρησιμοποιώντας το EleGANt. Κάθε τριπλέτα δείχνει την αρχική εικόνα UTKFace (αριστερά), το στυλ μακιγιάζ αναφοράς (κέντρο) και το αποτέλεσμα μετά τη μεταφορά στυλ (δεξιά). Η μεταφορά μακιγιάζ αυτού του είδους είναι συχνή στην υπολογιστική όραση, και αυτή η δυνατότητα είναι επίσης διαθέσιμη στα νευρωνικά φίλτρα του Adobe Photoshop, τα οποία μπορούν επίσης να επιβάλλουν μακιγιάζ από μια εικόνα αναφοράς σε μια εικόνα στόχου.

Τέσσερις βασικοί συναρτήσεις απώλειας καθοδήγησαν την αφαίρεση του μακιγιάζ χωρίς να επηρεάσει την ταυτότητα του προσώπου ή τις ενδείξεις ηλικίας. Εκτός από την παραπάνω αναφερθείσα CLIP-βασισμένη απώλεια, η ταυτότητα διατηρήθηκε χρησιμοποιώντας einen βαρόμετρο ζευγάρι ArcFace απώλειες που λήφθηκαν από τη βιβλιοθήκη InsightFace – απώλειες που μετρούσαν την ομοιότητα μεταξύ του γεννημένου προσώπου και τόσο της αρχικής καθαρής εικόνας όσο και της ‘μακιγιαρισμένης’ εκδοχής, εξασφαλίζοντας ότι το άτομο παρέμεινε οπτικά συνεπές πριν και μετά την αφαίρεση του μακιγιάζ.

Τρίτον, η απώλεια Learned Perceptual Similarity Metrics (LPIPS) χρησιμοποιήθηκε L1 απόσταση για να επιβάλει την πραγματικότητα pixel-επίπεδου, και να διατηρήσει την tổngική εμφάνιση της αρχικής εικόνας μετά την αφαίρεση του μακιγιάζ.

Τέλος, η ηλικία επιτηρήθηκε χρησιμοποιώντας einen fine-tuned SSRNet εκπαιδευμένο στο UTKFace dataset, με το μοντέλο να χρησιμοποιεί μια λειωμένη L1 απώλεια (με βαρύτερες ποινές για σφάλματα στην ηλικιακή ομάδα 10-29 ετών, όπου η λανθασμένη ταξινόμηση είναι πιο συχνή). Μια παραλλαγή του μοντέλου αντικατέστησε αυτή με μια CLIP-βασισμένη ηλικιακή πρόκληση, προτρέποντας το μοντέλο να ταιριάξει την εμφάνιση μιας συγκεκριμένης ηλικίας.

Για την εκτίμηση της ηλικίας κατά τη διάρκεια της εύρεσης (αντί της χρήσης του SSRNet κατά την εκπαίδευση), η πλατφόρμα MiVOLO του 2023 χρησιμοποιήθηκε.

Δεδομένα και Δοκιμές

Το fine-tune του SSRNet στο UTKFace χρησιμοποιούσε ένα σύνολο εκπαίδευσης 15.364 εικόνων, έναντι ενός συνόλου δοκιμών 6.701 εικόνων. Οι αρχικές 20.000 εικόνες φιλτράρονταν για να αφαιρεθούν όσοι ήταν άνω των 70 ετών, και στη συνέχεια分裂θηκαν 70:30.

Σύμφωνα με την προηγούμενη μέθοδο που καθορίστηκε από το έργο DiffAM του 2023, η εκπαίδευση προχώρησε σε δύο στάδια, με την αρχική συνεδρία να χρησιμοποιεί 300 πραγματικές εικόνες μακιγιάζ (αυτή τη φορά με ένα 200/100 split μεταξύ εκπαίδευσης και επικύρωσης).

Το μοντέλο στη συνέχεια βελτιώθηκε περαιτέρω χρησιμοποιώντας 300 επιπλέον εικόνες UTKFace, οι οποίες ενισχύθηκαν με συνθετικό μακιγιάζ μέσω του EleGANt. Αυτό δημιούργησε ένα τελικό σύνολο εκπαίδευσης 600 παραδειγμάτων, ζευγαρωμένων σε πέντε στυλ αναφοράς από το BeautyGAN.

Η απόδοση αξιολογήθηκε σε συνθετικές και πραγματικές εικόνες. Οι συνθετικές δοκιμές χρησιμοποιούσαν 2.556 εικόνες Flickr-Faces-HQ Dataset (FFHQ), ομοιόμορφα δειγματατοληπτικές σε εννέα ηλικιακές ομάδες κάτω των 70, και τροποποιημένες με το EleGANt.

Η γενίκευση αξιολογήθηκε χρησιμοποιώντας 3.000 εικόνες από το BeautyFace και 355 από το LADN, τα οποία περιέχουν αυθεντικό μακιγιάζ.

Παραδείγματα από το BeautyFace dataset, που δείχνουν την σεμαντική τομография που ορίζει διάφορες περιοχές της επιφάνειας του προσώπου. Πηγή: https://li-chongyi.github.io/BeautyREC_files/

Μέτρησεις και Υλοποίηση

Για τις μετρήσεις, οι συγγραφείς χρησιμοποίησαν Μέση Απόλυτη Σφάλμα (MAE) μεταξύ της πραγματικής ηλικίας (πραγματικές εικόνες με καθορισμένες ηλικίες) και των προβλεπόμενων ηλικιών, όπου τα χαμηλότερα αποτελέσματα είναι καλύτερα; ακρίβεια ομαδικής ηλικίας χρησιμοποιήθηκε για να αξιολογήσει αν οι προβλεπόμενες ηλικίες τελείωσαν στις σωστές ομάδες (στην οποία περίπτωση, τα χαμηλότερα αποτελέσματα είναι καλύτερα); η ακρίβεια ανήλικων/ενηλίκων χρησιμοποιήθηκε για να αξιολογήσει τη σωστή αναγνώριση ατόμων άνω των 18 ετών (στην οποία περίπτωση, τα υψηλότερα αποτελέσματα είναι καλύτερα).

Επιπλέον, αν και δεν επικεντρώνεται στο συγκεκριμένο θέμα που έχει να κάνει, οι συγγραφείς αναφέρουν επίσης μετρήσεις επαλήθευσης ταυτότητας με τη μορφή της Συχνότητας Σωστής Ανταπόκρισης (TMR) και της Συχνότητας Λανθασμένης Ανταπόκρισης (FMR), με περαιτέρω αναφορά των σχετικών τιμών ROC.

Το SSRNet fine-tune στο UTKFace χρησιμοποιούσε εικόνες 64×64px με ένα μέγεθος δειγμάτων 50 υπό τον βελτιστοποιητή Adam με ένα βαθμό αποσύνθεσης 1e−4, καθώς και einen προγραμματιστή αννηψίας, και μια ταχύτητα μάθησης 1e−3 για 200 epoch, με πρόωρη διακοπή.

Αντίθετα, το DiffClean module έλαβε είσοδο 256×256px, και fine-tune για πέντε epoch χρησιμοποιώντας τον Adam, σε μια πιο χαλαρή ταχύτητα μάθησης 4e−3. Η δειγματοληψία χρησιμοποιούσε 40 DDIM inversion βήματα, και 6 DDIM forward βήματα. Όλη η εκπαίδευση πραγματοποιήθηκε σε ένα μόνο NVIDIA A100 GPU (αν το 40GB ή 80GB του VRAM δεν αναφέρθηκε).

Τα ανταγωνιστικά συστήματα που δοκιμάστηκαν ήταν CLIP2Protect και το προαναφερθέν DiffAM. Οι συγγραφείς χρησιμοποίησαν ‘matte’ στυλ μακιγιάζ στη ροή εργασίας, καθώς αυτό έχει σημειωθεί στο CLIP2Protect ως επιτυχημένο (πιθανώς επιτρέποντας μια ευκαιρία για εκείνους που επιδιώκουν να νικήσουν αυτή την προσέγγιση – αλλά αυτό είναι ένα ζήτημα για άλλη φορά).

Για να αναπαράγει το DiffAM ως μια βάση, το προ-εκπαιδευμένο μοντέλο από το BeautyGAN fine-tune στο MT dataset. Για την αντιπαλική μεταφορά μακιγιάζ, η σημείωση από το DiffAM χρησιμοποιήθηκε με προεπιλεγμένες παραμέτρους για το μοντέλο στόχου, την εικόνα αναφοράς και την ταυτότητα.

Απόδοση του DiffClean σε σχέση με τις βάσεις σε εργασίες εκτίμησης ηλικίας, χρησιμοποιώντας MiVOLO. Οι μετρήσεις που αναφέρονται είναι η ακρίβεια ταξινόμησης ανήλικων/ενηλίκων, ακρίβεια ομαδικής ηλικίας και μέση απόλυτη σφάλμα (MAE). Το DiffClean με CLIP ηλικιακή απώλεια επιτυγχάνει τα καλύτερα αποτελέσματα σε όλες τις μετρήσεις.

Από αυτά τα αποτελέσματα, οι συγγραφείς αναφέρουν:

‘Η μέθοδός μας DiffClean υπερβαίνει και τις δύο βάσεις, CLIP2Protect και DiffAM, και μπορεί να αποκαταστήσει επιτυχώς τις ενδείξεις ηλικίας που διαταράχθηκαν λόγω του μακιγιάζ, μειώνοντας το MAE (σε 5,71) και βελτιώνοντας την συνολική ακρίβεια προβλέψης ηλικίας (σε 37%).

‘Ο στόχος μας επικεντρώθηκε στις ηλικιακές ομάδες ανηλίκων, και τα αποτελέσματα δείχνουν ότι επιτυγχάνουμε υπεροχή στην ταξινόμηση ανήλικων/ενηλίκων ηλικίας 88,6%.’

Αποτελέσματα αφαίρεσης μακιγιάζ από τις βάσεις και τις προτεινόμενες μεθόδους. Η αριστερή στήλη δείχνει τις πηγαίες εικόνες, η επόμενη τα αποτελέσματα από το CLIP2Protect και το DiffAM. Η τρίτη στήλη δείχνει τα αποτελέσματα από το DiffClean μέσω του SSRNet και της CLIP-βασισμένης ηλικιακής απώλειας. Οι συγγραφείς ισχυρίζονται ότι το DiffClean αφαιρεί το μακιγιάζ πιο αποτελεσματικά, αποφεύγοντας την παραμόρφωση χαρακτηριστικών που παρατηρείται στο CLIP2Protect, και τις υπολειπόμενες κοσμητικές που παραλείπονται από το DiffAM.

Οι συγγραφείς σημειώνουν επίσης ότι το μακιγιάζ δεν έχει μια ομοιόμορφη επίδραση στην αντιλαμβανόμενη ηλικία, αλλά μπορεί να αυξήσει, να μειώσει ή να αφήσει αμετάβλητη την εμφανιζόμενη ηλικία ενός προσώπου. Ως εκ τούτου, το DiffClean δεν εφαρμόζει μια ‘γενική μείωση’ της προβλεπόμενης ηλικίας, αλλά αντίθετα προσπαθεί να ανακτήσει τις αρχικές ενδείξεις ηλικίας αφαιρώντας τις ιχνηλίες του μακιγιάζ:

Παραδείγματα αφαίρεσης μακιγιάζ από τα datasets CelebA-HQ και CACD. Κάθε στήλη δείχνει ένα ζευγάρι εικόνων πριν (αριστερά) και μετά (δεξιά) την αφαίρεση του μακιγιάζ. Στη πρώτη στήλη, η προβλεπόμενη ηλικία μειώνεται μετά την αφαίρεση του μακιγιάζ; στη δεύτερη, παραμένει αμετάβλητη; και στη τρίτη, αυξάνεται.

Για να δοκιμάσουν πόσο καλά το DiffClean εκτελείται σε νέες δεδομένες, το DiffClean εκτελέστηκε στα datasets BeautyFace και LADN, τα οποία περιέχουν αυθεντικό μακιγιάζ, αλλά δεν έχουν ζευγαρωμένες εικόνες των ίδιων ατόμων χωρίς κοσμητικά. Οι προβλέψεις ηλικίας που έγιναν πριν και μετά την αφαίρεση του μακιγιάζ συγκρίθηκαν, για να αξιολογηθεί πόσο αποτελεσματικά το DiffClean μειώνει την παραμόρφωση που εισάγει το μακιγιάζ:

Αποτελέσματα αφαίρεσης μακιγιάζ σε πραγματικές εικόνες από τα datasets LADN (αριστερό ζευγάρι) και BeautyFace (δεξιά ζευγάρι). Το DiffClean μειώνει τις προβλεπόμενες ηλικίες αφαιρώντας τα κοσμητικά, μειώνοντας το χάσμα μεταξύ της εμφανιζόμενης και της πραγματικής ηλικίας. Τα λευκά νούμερα δείχνουν τις εκτιμώμενες ηλικίες πριν και μετά την επεξεργασία.

Τα αποτελέσματα έδειξαν ότι το DiffClean συνεχώς μειώνει το χάσμα μεταξύ της εμφανιζόμενης και της πραγματικής ηλικίας. Σε cả τα datasets, μειώνει τα λάθη υπερεκτίμησης και υποεκτίμησης κατά περίπου τρία χρόνια κατά μέσο όρο, υποδεικνύοντας ότι το σύστημα γενικεύεται καλά σε πραγματικές στυλ κοσμημάτων.

Συμπέρασμα

Είναι ενδιαφέρον, και ίσως αναπόφευκτο, ότι το μακιγιάζ θα χρησιμοποιηθεί με αντιπαλικό τρόπο. Δεδομένου ότι τα κορίτσια ωριμάζουν με διαφορετικούς ρυθμούς, αλλά ωριμάζουν συνεχώς γρηγορότερα ως ομάδα, η εργασία της αναγνώρισης του ορίου μεταξύ ανήλικων και ενήλικων θηλυκών μπορεί να είναι μια από τις πιο φιλόδοξες που έχει θέσει η ερευνητική σκηνή.

Ωστόσο, ο χρόνος και τα δεδομένα μπορεί τελικά να καθορίσουν συνεπείς σημάδια ηλικίας που μπορούν να χρησιμοποιηθούν για να αγκυροβολήσουν οπτικά συστήματα επαλήθευσης ηλικίας.

* Καθώς το θέμα αυτό προκαλεί φορτισμένο λεξιλόγιο, και поскольку το ‘κορίτσια’ είναι αποκλειστικό (ενώ ‘γυναίκες και κορίτσια’, ο τρέχων αποδεκτός όρος για άτομα θηλυκού φύλου, δεν είναι μια ακριβής περιγραφή σε αυτή την περίπτωση), έχω προεπιλέξει ‘θηλυκά’ ως την καλύτερη συμβιβαστική λύση που μπορούσα να σκεφτώ – αν και δεν καταγράφει όλες τις υπονόμευες λεπτομέρειες, για τις οποίες ζητώ συγγνώμη.

^† Σε αυτό το άρθρο, χρησιμοποιώ ‘περιφοράς’ για να υποδείξω το μακιγιάζ που προορίζεται να φανεί και να αναγνωριστεί ως μακιγιάζ, όπως το μασκαρά, το eyeliner, το blush και το foundation, αντί για κρυφά κρέμες και άλλα ‘κρυφά’ είδη εφαρμογών κοσμημάτων.

Πρώτη δημοσίευση την Παρασκευή, 18 Ιουλίου 2025