Εργαλείο AI αφαιρεί το μακιγιάζ για να σταματήσει τους ανήλικους από το να παρακάμπτουν τους ελέγχους ηλικίας

Η εμφάνιση των κοσμητικών προϊόντων στο πρόσωπο επιτρέπει στους ανήλικους χρήστες, κυρίως τις κοπέλες, να παρακάμπτουν τους ελέγχους ηλικίας που βασίζονται σε自拍 σε πλατφόρμες όπως εφαρμογές γνωριμιών και ιστοσελίδες ηλεκτρονικού εμπορίου. Ένα νέο εργαλείο AI αντιμετωπίζει αυτό το κενό, χρησιμοποιώντας ένα διακριτικό μοντέλο που έχει εκπαιδευτεί για να αφαιρέσει το μακιγιάζ διατηρώντας την ταυτότητα, καθιστώντας πιο δύσκολο για τους ανήλικους να εξαπατήσουν τα αυτόματα συστήματα.

Η χρήση υπηρεσιών τρίτων, βασισμένων σε自拍, για τον έλεγχο ηλικίας αυξάνεται, όχι μόνο λόγω της γενικής παγκόσμιας τάσης προς τον έλεγχο ηλικίας online.

Για παράδειγμα, στο νέο καθεστώς εφαρμογής που το Ηνωμένο Βασίλειο επιβάλλει τώρα, ο έλεγχος ηλικίας μπορεί να διεξαχθεί από μια ποικιλία υπηρεσιών τρίτων υπηρεσιών, χρησιμοποιώντας διάφορες μεθόδους, συμπεριλαμβανομένης της οπτικής επαλήθευσης ηλικίας, όπου το AI χρησιμοποιείται για να προβλέψει οπτικά την ηλικία του χρήστη (συνήθως από ζωντανή κάμερα κινητού τηλεφώνου). Υπηρεσίες που χρησιμοποιούν προσεγγίσεις αυτού του είδους περιλαμβάνουν Ondato, TrustStamp και Yoti.

Ωστόσο, η εκτίμηση ηλικίας δεν είναι αλάθητη, και η παραδοσιακή επιθυμία των εφήβων να προλάβουν τα δικαιώματα της ενηλικίωσης σημαίνει ότι οι νέοι άνθρωποι έχουν αναπτύξει μια ποικιλία αποτελεσματικών μεθόδων για να εισέλθουν σε ιστοσελίδες γνωριμιών, φόρουμ και άλλα περιβάλλοντα που απαγορεύουν την ηλικιακή τους ομάδα.

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

Όχι μόνο τα Κορίτσια

Πριν προκύψει διαμαρτυρία για την εξέταση του μακιγιάζ ως ‘γυναικείας’ εστίασης, πρέπει να σημειωθεί ότι η παρουσία κοσμητικών προϊόντων στο πρόσωπο κανενός είναι πολύ αβέβαιος δείκτης φύλου:

Στην εργασία ‘Επίδραση των Κοσμητικών Προϊόντων στα Αυτόματα Αλγόριθμους Εκτίμησης Φύλου και Ηλικίας’ ερευνητές από τις 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 ΗΠΑ μεταξύ 18-24 ετών εκτιμάται ότι ενσωματώνουν μακιγιάζ στη ρουτίνα περιποίησης τους – αν και οι περισσότεροι χρησιμοποιούν προϊόντα κοσμητικής για να βελτιώσουν την εμφάνιση της υγιούς επιδερμίδας, 而 όχι για να απολαύσουν συνδυασμούς μακιγιάζ που συνδέονται περισσότερο με την αισθητική των γυναικών.

Για αυτό, δεν μπορούμε παρά να αντιμετωπίσουμε το υλικό που μελετάται σε αυτό το άρθρο κατά μήκος των γραμμών της πιο συνηθισμένης σκηνικής που εξετάζεται σε νέα έρευνα – αυτή των ανήλικων κοριτσιών που χρησιμοποιούν μακιγιάζ για να παρακάμπτουν τα αυτόματα οπτικά συστήματα επαλήθευσης ηλικίας.

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.

Ο στόχος του έργου είναι να επιτύχει μια μεθοδολογία AI που αφαιρεί την εμφάνιση του μακιγιάζ από εικόνες (πιθανώς 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 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 ανήλικων κοριτσιών που φορούν ενήλικας μακιγιάζ. Τελικά, οι ερευνητές χρησιμοποίησαν ένα σύστημα τρίτων με βάση το Generative Adversarial Network που ονομάζεται EleGANt για να επιβάλουν τεχνητικά στυλ μακιγιάζ, μια τεχνική που αποδείχθηκε πολύ αποτελεσματική:

Το σύστημα EleGANt του Πανεπιστημίου Tsinghua του 2022 χρησιμοποιεί ένα Generative Adversarial Network (GAN) για να επιβάλει αυθεντικά προϊόντα κοσμητικής 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状態-της-τέχνης στην εκτίμηση ηλικίας όταν αντιμετωπίζουν φανερό ή ‘εvident’ μακιγιάζ.

Η εργασία αναφέρει:

‘Η DiffClean [αφαιρεί] ίχνη μακιγιάζ χρησιμοποιώντας ένα μοντέλο διαχύσεως με οδηγία κειμένου για να αμυνθεί ενάντια σε επιθέσεις μακιγιάζ. [Αυτή] βελτιώνει την εκτίμηση ηλικίας (ακρίβεια ανήλικων/ενηλίκων με 4.8%) και την επαλήθευση προσώπου (TMR με 8.9% στο FMR=0.01%) σε ψηφιακά προσομοιωμένες και πραγματικές εικόνες μακιγιάζ.’

Ας δούμε πώς προχώρησαν στην εργασία.

Μέθοδος

Για να αποφευχθεί η πηγή πραγματικών εικόνων ανήλικων με μακιγιάζ, οι συγγραφείς χρησιμοποίησαν το EleGANt για να επιβάλουν συνθετικά προϊόντα κοσμητικής σε εικόνες από το σύνολο δεδομένων UTKFace, παράγοντας ζευγάρια πριν και μετά για εκπαίδευση.

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

Η DiffClean εκπαιδεύτηκε για να αντιστρέψει αυτή τη μεταμόρφωση.既然 τα αλγόριθμοι εκτίμησης ηλικίας σφάλλουν περισσότερο όταν αντιμετωπίζουν νεότερες ηλικιακές ομάδες, οι ερευνητές βρήκαν αναγκαίο να αναπτύξουν einen proxy ταξινόμηση ηλικίας παραμετροποιημένο στις στόχους ηλικίες (10-19 ετών). Για αυτόν τον σκοπό χρησιμοποίησαν την αρχιτεκτονική SSRNet εκπαιδευμένη στο UTKFace, με ζυγό L1 απώλεια.

Μια απλοποιημένη έκδοση του μοντέλου διαχύσεως της OpenAI του 2021 παρείχε την πλάτη για τη μεταμόρφωση, με τους συγγραφείς να διατηρούν την πλάτη της αρχιτεκτονικής, αλλά να την τροποποιούν με πρόσθετα κεφαλές προσοχής σε διάφορες αναλύσεις, βαθύτερα στρώματα και μπλοκ BigGAN για να βελτιώσουν τις φάσεις upsampling και downsampling.

Η ελεγχόμενη κατεύθυνση εισήχθη χρησιμοποιώντας CLIP προτροπές: 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 εμφάνιση 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 βιβλιογραφία της όρασης υπολογιστή και αυτή η δυνατότητα είναι επίσης διαθέσιμη στους νευρωνικούς φίλτρου του Adobe Photoshop, οι οποίοι μπορούν επίσης να επιβάλουν μακιγιάζ από μια εικόνα αναφοράς σε μια εικόνα στόχου.

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

Τρίτον, η περцепτούμενη απώλεια LPIPS χρησιμοποιούσε απόσταση L1 για να επιβάλει την πραγματικότητα pixel-level 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 σύνολο δεδομένων UTKFace, με το μοντέλο να χρησιμοποιεί μια λεία 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 προτροπή ηλικίας, προτρέποντας το μοντέλο να ταιριάξει την εμφάνιση μιας συγκεκριμένης ηλικίας.

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

Δεδομένα και Τεστ

Η fine-tune του SSRNet στο UTKFace χρησιμοποιούσε ένα σύνολο εκπαίδευσης 15.364 εικόνων, έναντι ενός συνόλου ελέγχου 6.701 εικόνων. Οι αρχικές 20.000 εικόνες φιλτράθηκαν για να αφαιρεθούν όσοι ήταν πάνω από 70 ετών και στη συνέχεια χωρίστηκαν 70:30.

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

Το μοντέλο στη συνέχεια βελτιώθηκε περαιτέρω χρησιμοποιώντας 300 επιπλέον εικόνες UTKFace, οι οποίες αυξήθηκαν με συνθετικό μακιγιάζ μέσω του EleGANt. Αυτό δημιούργησε ένα τελικό σύνολο εκπαίδευσης 600 παραδειγμάτων, ζευγαρωμένα σε πέντε στυλ αναφοράς από το BeautyGAN.既然 η αφαίρεση μακιγιάζ περιλαμβάνει την αντιστοίχιση πολλών στυλ μακιγιάζ σε ένα μόνο καθαρό πρόσωπο, η εκπαίδευση εστίασε στην ευρεία γενίκευση αντί να καλύπτει κάθε πιθανή ποικιλία μακιγιάζ.

Η απόδοση αξιολογήθηκε σε συνθετικές και πραγματικές εικόνες. Η συνθετική δοκιμή χρησιμοποιούσε 2.556 εικόνες Flickr-Faces-HQ (FFHQ), ομοιόμορφα δειγματατοληπτικές σε εννέα ηλικιακές ομάδες κάτω από 70, και τροποποιημένες με το EleGANt.

Η γενίκευση αξιολογήθηκε χρησιμοποιώντας 3.000 εικόνες από BeautyFace και 355 από LADN, και οι δύο περιέχουν αυθεντικό μακιγιάζ.

Παραδείγματα από το σύνολο δεδομένων BeautyFace, που δείχνουν την σεμαντική διαίρεση που ορίζει διάφορες περιοχές επιφάνειας προσώπου. Πηγή: https://li-chongyi.github.io/BeautyREC_files/

Μέτρησης και Εφαρμογής

Για τα μέτρα, οι συγγραφείς χρησιμοποίησαν Μέσο Απόλυτο 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 εάν οι προβλεπόμενες ηλικίες βρέθηκαν στις σωστές ομάδες (σε αυτή την περίπτωση, τα χαμηλότερα αποτελέσματα είναι καλύτερα); η ακρίβεια ανήλικων/ενηλίκων χρησιμοποιήθηκε για να αξιολογήσει τη σωστή αναγνώριση ατόμων 18+ (σε αυτή την περίπτωση, ένα υψηλότερο αποτέλεσμα είναι καλύτερο).

Επιπλέον, αν και δεν επικεντρώνεται στο συγκεκριμένο θέμα που συζητιέται εδώ, οι συγγραφείς αναφέρουν επίσης μετρήσεις επαλήθευσης ταυτότητας με τη μορφή της Συνάρτηση Λειτουργίας Δέκτη (ROC) και weitere σχετικές τιμές AUC.

Το SSRNet fine-tune στο UTKFace χρησιμοποιούσε εικόνες 64×64px με ένα μέγεθος δέσμης 50 υπό τον βελτιστοποιητή Adam με αποσύνθεση βάρους 1e−4, καθώς και einen προγραμματιστή cosine annealing, και eine μάθηση ρυθμού 1e−3 για 200 epochs, με πρόωρη διακοπή.

Αντίθετα, το DiffClean λάμβανε είσοδο εικόνων 256×256px και fine-tune για πέντε epochs χρησιμοποιώντας Adam, σε einen μεγαλύτερο ρυθμό 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 (είτε με 40GB ή 80GB VRAM δεν αναφέρθηκε).

Τα αντίπαλα 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 επίτευγμα υψηλότερου ποσοστού επιτυχίας (παρόλο που αυτό ανοίγει έναν δρόμο ευκαιριών για εκείνους που επιδιώκουν να νικήσουν αυτήν την προσέγγιση – αλλά αυτό είναι ένα ζήτημα για άλλη φορά).

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

Απόδοση του DiffClean σε σύγκριση με τις βάσεις σε εργασίες εκτίμησης ηλικίας, χρησιμοποιώντας MiVOLO. Τα μετρημένα μετρά είναι η ακρίβεια ταξινόμησης ανήλικων/ενηλίκων, ακρίβεια ομαδικής ηλικίας και μέσο απόλυτο σφάλμα (MAE). Το DiffClean με απώλεια ηλικίας CLIP επιτυγχάνει τα καλύτερα αποτελέσματα σε όλα τα μετρά.

Από αυτά τα αποτελέσματα, οι συγγραφείς αναφέρουν:

‘Η μέθοδός μας DiffClean υπερβαίνει και τις δύο βάσεις, CLIP2Protect και DiffAM, και μπορεί να αποκαταστήσει με επιτυχία τις ενδείξεις ηλικίας που διαταράχθηκαν λόγω του μακιγιάζ, μειώνοντας το MAE (σε 5.71) και βελτιώνοντας την συνολική ακρίβεια ομαδικής ηλικίας (σε 37%).

‘Ο στόχος μας επικεντρώθηκε στις ηλικιακές ομάδες ανήλικων, και τα αποτελέσματα δείχνουν ότι επιτυγχάνουμε ανώτερη ταξινόμηση ανήλικων/ενηλίκων με 88.6%.’

Αποτελέσματα αφαίρεσης μακιγιάζ από τις βάσεις και τις προτεινόμενες μεθόδους. Η αριστερότερη στήλη δείχνει τις εικόνες πηγής, η επόμενη τις εξόδους από το CLIP2Protect και το DiffAM. Η τρίτη στήλη δείχνει τα αποτελέσματα από το DiffClean μέσω του SSRNet και της CLIP-βασισμένης απώλειας ηλικίας. Οι συγγραφείς υποστηρίζουν ότι το DiffClean αφαιρεί το μακιγιάζ πιο αποτελεσματικά, αποφεύγοντας την παραμόρφωση χαρακτηριστικών που παρατηρείται στο CLIP2Protect και τα υπολείμματα μακιγιάζ που χάνονται από το DiffAM.

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

Αποτελέσματα αφαίρεσης μακιγιάζ από τα σύνολα δεδομένων CelebA-HQ και CACD. Κάθε στήλη δείχνει ένα ζευγάρι εικόνων πριν (αριστερά) και μετά (δεξιά) την αφαίρεση του μακιγιάζ. Στην πρώτη στήλη, η προβλεπόμενη ηλικία μειώνεται μετά την αφαίρεση του μακιγιάζ· στην δεύτερη, παραμένει αμετάβλητη· και στην τρίτη, αυξάνεται.

Για να δοκιμάσουν πόσο καλά το DiffClean εκτελείται σε νέα δεδομένα, το έτρεξαν στα σύνολα δεδομένων BeautyFace και LADN, τα οποία περιέχουν αυθεντικό μακιγιάζ, αλλά δεν έχουν ζευγαρωμένες εικόνες των ιδίων ατόμων χωρίς μακιγιάζ. Οι προβλέψεις ηλικίας 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 σύνολα δεδομένων LADN (αριστερό ζευγάρι) και BeautyFace (δεξιά ζευγάρι). Το DiffClean μειώνει τις προβλεπόμενες ηλικίες αφαιρώντας το μακιγιάζ, μειώνοντας το χάσμα μεταξύ της φαινομενικής και της πραγματικής ηλικίας. Οι λευκοί αριθμοί δείχνουν τις εκτιμώμενες ηλικίες πριν και μετά την επεξεργασία.

Τα αποτελέσματα έδειξαν ότι το DiffClean συνεχώς μειώνει το χάσμα μεταξύ της φαινομενικής και της πραγματικής ηλικίας. Σε cả τα δύο σύνολα δεδομένων, μειώνει τα σφάλματα υπερεκτίμησης και υποεκτίμησης κατά περίπου τρία χρόνια κατά μέσο όρο, υποδεικνύοντας ότι το σύστημα γενικεύεται καλά σε πραγματικές στυλ μακιγιάζ.

Συμπέρασμα

Είναι ενδιαφέρον, και ίσως αναπόφευκτο, ότι το μακιγιάζ θα χρησιμοποιηθεί με ανταγωνιστικό 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 γυναικών μπορεί να είναι μια από τις πιο φιλόδοξες που έχει θέσει η ερευνητική σκηνή μέχρι τώρα.

Ωστόσο, ο χρόνος και τα δεδομένα μπορεί τελικά να καθορίσουν σταθερές ενδείξεις ηλικίας που μπορούν να χρησιμοποιηθούν για να στηρίξουν τα οπτικά συστήματα επαλήθευσης ηλικίας.

* Καθώς το θέμα αυτό προκαλεί φορτισμένο λόγο, και καθώς το ‘κορίτσια’ είναι αποκλειστικό (ενώ το ‘γυναίκες και κορίτσια’, ο τρέχων αποδεκτός όρος για άτομα με γυναικείο φύλο, δεν είναι μια ακριβής περιγραφή σε αυτή την περίπτωση), έχω προτιμήσει να χρησιμοποιήσω το ‘θήλεις’ ως την καλύτερη συμβιβαστική λύση που μπορούσα να συλλάβω – αν και δεν καταγράφει όλες τις δημογραφικές ντελιές, για τις οποίες ζητώ συγγνώμη.

^† Σε αυτό το άρθρο χρησιμοποιώ το ‘παραστατικό’ για να υποδηλώσω μακιγιάζ που προορίζεται να φανεί και να αναγνωριστεί ως μακιγιάζ, όπως το μασκάρα, το eyeliner, το blush και το foundation, σε αντίθεση με τις κρυφές κρέμες και άλλους ‘κρυφούς’ τύπους εφαρμογών κοσμητικών.

Πρώτη δημοσίευση Παρασκευή, 18 Ιουλίου 2025