Η Παράδοση του AI για την Ομορφιά

Ένα νέο σύστημα αξιολόγησης ομορφιάς που βασίζεται στο AI αξιολογεί πόσο ελκυστικές φαίνονται οι πρόσωπα, ενώ εκπαιδεύεται ταχύτερα από τα τυπικά μοντέλα hlubokého μάθησης, потенτικά καθιστώντας την αυτοματοποιημένη αξιολόγηση ομορφιάς σε μεγάλη κλίμακα πιο πρακτική.

Η Πρόβλεψη Ομορφιάς Προσώπου (FBP) είναι ένα μεγάλο επιχείρημα και ένα相当 ισχυρό νήμα στη βιβλιογραφία της έρευνας.尽管 αυτό παραβιάζει σχεδόν κάθε αρχή πίσω από την αντιμετώπιση του προκατασκευασμένου στο AI και τις πρακτικές του machine learning, και尽管 σε πολλά σημεία υποστηρίζει την αποβιομηχάνιση και τη μείωση στις αλγοριθμικές αντιλήψεις των γυναικών, ενδιαφέρει ακόμα το ενδιαφέρον πολλών δισεκατομμυρίων δολαρίων βιομηχανιών, οι περισσότερες από τις οποίες στοχεύουν直接 στα γυναίκες, όπως η κοσμητική, η χειρουργική προσώπου, η ζωντανή μετάδοση και η μόδα, μεταξύ άλλων:

Γυναίκες αξιολογημένες από 1-5, από το έγγραφο ‘Asian Female Facial Beauty Prediction Using Deep Neural Networks via Transfer Learning and Multi-Channel Feature Fusion’. Πηγή

Πέρα από αυτές τις προφανείς θηλυκές επιχειρήσεις, η διαφήμιση και πολλές άλλες βιομηχανίες, συμπεριλαμβανομένων του ψυχαγωγικού και του εκδοτικού τομέα, έχουν σημαντικά στοιχήματα στην κατανόηση του τι βρίσκουν οι άνδρες και οι γυναίκες ‘ελκυστικό’, αναγκαστικά σε περίπτωση ανά κультура.

Το γεγονός ότι οι συλλογικές αντιλήψεις της ομορφιάς ποικίλλουν σε διάφορες περιοχές σημαίνει ότι δεν μπορεί να ληφθεί κανένα οριστικό παγκοσμίως εφαρμοστέο σύνολο δεδομένων, και ότι η νέα έρευνα πρέπει είτε να παραμείνει τοπική, είτε να επικεντρωθεί σε ‘υψηλό επίπεδο’ μεθόδους που μπορούν να εφαρμοστούν σε διάφορα τμήματα πολιτιστικών δεδομένων.

Μια διεπαφή για ένα σύστημα αξιολόγησης ομορφιάς προσώπου για το έργο SCUT-FBP του 2015. Πηγή

Συχνά, η γεωγραφική τοποθεσία δεν είναι η μόνη περιορισμός, поскольку τα σύνολα δεδομένων που επικεντρώνονται στην ελκυστικότητα μπορεί να δυσκολευτούν να παρέχουν ίση αποτελεσματικότητα σε διαφορετικά φύλα, ή μπορεί να έχουν δημιουργηθεί με ένα συγκεκριμένο σκοπό στο μυαλό – και αυτό μπορεί να περιορίσει τη συλλογή σε άλλους τομείς.

Για παράδειγμα, το 2025, αναφέρθηκα στην ανάπτυξη ενός σχετικά υψηλού επιπέδου (100.000+ ταυτοτήτων) συνόλου δεδομένων για την αξιολόγηση της ελκυστικότητας σε ζωντανές μεταδόσεις, των οποίων οι προδιαγραφές μπορεί να χρειαστούν σημαντική προσαρμογή σε ευρύτερα έργα, παρά την τεράστια προσπάθεια πίσω από τη πρωτοβουλία.

Πρόσωπο

Όπως μπορεί να είναι φανερό από τους συνδέσμους και τις εικόνες παραπάνω, τα ασιατικά ερευνητικά σώματα συχνά δεν λειτουργούν υπό τις ίδιες πολιτιστικές περιορισμοί όπως οι δυτικοί ομόλογοί τους, οι οποίοι θα ήταν δύσκολο να τολμήσουν να δημοσιεύσουν một επιστημονική εικονογράφηση που αξιολογεί πέντε δυτικές γυναίκες από τη λιγότερο σε πιο ελκυστική, όπως βλέπουμε στην εικονογραφημένη μελέτη.

Μπορεί να υποστηριχθεί ότι όπου τα ασιατικά συστήματα αυτού του είδους αποδεικνύονται αποτελεσματικά στο κοινό, χωρίς φόβο τοπικής κριτικής, τα δυτικά ενδιαφέροντα μπορούν να χρησιμοποιήσουν ή να προσαρμόσουν τέτοια έρευνα σε ιδιωτικές, ιδιωτικές εφαρμογές. Η εργασία της ‘αξιολόγησης γυναικών’ σε αυτή τη περίπτωση, είναι ανατεθειμένη σε μια τοποθεσία όπου μπορεί να διεξαχθεί χωρίς κριτική.

Εάν αυτό είναι κοινό ή εάν λιγότερο δημοσιευμένα δυτικά ισοδύναμα συστήματα τείνουν να αναπτύσσονται μακριά από την ανοιχτή συνεργασία και από τη δημόσια επιτήρηση, είναι λογικό να υποθέσουμε ότι ο στόχος είναι του παγκόσμιου ενδιαφέροντος, λόγω του μεγάλου αριθμού επαγγελματικών τομέων που μπορούν ή θα μπορούσαν να επωφεληθούν από ακριβείς αξιολογήσεις της ελκυστικότητας.

Επιβίωση του Ισχυρότερου

Μπορεί να φαίνεται ότι τεράστιες ιστοσελίδες όπως το Tik Tok, το Instagram και το YouTube θα αποδείξουν εξαιρετικούς διαμεσολαβητές της ομορφιάς, συσχετίζοντας τους οπαδούς, τις λάικ και την κυκλοφορία με την ελκυστικότητα,既然 αυτό είναι μια κοινή και λογική σύνδεση (παρά με μερικές εξαιρέσεις).

Ομοίως, τα υπάρχοντα σύνολα δεδομένων – όπως ImageNet και LAION – που παρουσιάζουν ηθοποιούς και μοντέλα που έχουν ‘ανεβεί στο υψηλότερο σημείο’– θα τυπικά παρουσιάσουν ελκυστικά άτομα (παρά με πολλά σημεία δεδομένων από πολύ λίγα άτομα), επιτρέποντας ευρύτερες πολιτιστικές μηχανισμούς να ενεργούν ως прокシー για την ελκυστικότητα.

Ωστόσο, αυτό δεν λαμβάνει υπόψη μεταβαλλόμενες γεύσεις σε αυτό που οι άνθρωποι βρίσκουν ελκυστικό με την πάροδο του χρόνου (ακόμα και γεωγραφικά). Έτσι, και πάλι, υψηλό επίπεδο και δεδομένα-αγνόητα συστήματα χρειάζονται, όχι ατομικά και σποραδικά σύνολα ή συλλογές που θα αποτύχουν να αντανακλούν τις μεταβαλλόμενες γεύσεις.

Συνδυασμένη Επιδερμίδα

Η τελευταία ακαδημαϊκή είσοδος για την αντιμετώπιση αυτών των προκλήσεων προέρχεται από την Κίνα, όπου μεταφορά μάθησης και Ευρύ Σύστημα Μάθησης (BLS) συνδυάζονται για την αντιμετώπιση του μακροχρόνιου εμποδίου μεταξύ ακρίβειας και υπολογιστικού κόστους.

Τα συμβατικά νευρωνικά δίκτυα τείνουν να επιτύχουν ισχυρά αποτελέσματα μόνο με βαριά εκπαίδευση, ενώ ελαφρύτερα συστήματα όπως το BLS εκπαιδεύονται γρήγορα, αλλά δυσκολεύονται να καταγράψουν αρκετό λεπτό detain. Το νέο έργο γέμιζε αυτό το κενό χρησιμοποιώντας ένα προ-εκπαιδευμένο οπτικό μοντέλο για την εξαγωγή χαρακτηριστικών προσώπου, τα οποία στη συνέχεια μεταβιβάζονται σε ένα γρήγορο σύστημα BLS για αξιολόγηση, επιτρέποντας τα χαρακτηριστικά να 재χρησιμοποιηθούν αντί να μάθουν από την αρχή, ενώ διατηρούν την αποτελεσματικότητα της εκπαίδευσης:

Δείγματα εικόνων από το σύνολο δεδομένων LSAFBD, που δείχνουν γυναικεία πρόσωπα ομαδοποιημένα από 1 έως 5. Πηγή

Το πρώτο από τα δύο παραλλαγών, E-BLS, τροφοδοτεί τα εξαγόμενα χαρακτηριστικά直接 στο ελαφρύ σύστημα, ενώ το δεύτερο, ER-BLS, προσθέτει ένα απλό ενδιάμεσο στάδιο που стандαρδοποιεί και βελτιώνει αυτά τα χαρακτηριστικά πριν από την αξιολόγηση, βοηθώντας στην βελτίωση της συνεκτικότητας χωρίς να επιβραδύνει τη διαδικασία.

Οι δοκιμές που διεξήχθησαν από τους συγγραφείς αποδεικνύουν, όπως ισχυρίζονται, ότι η προσέγγισή τους είναι ανώτερη από οποιοδήποτε από τα δύο μεθόδους ξεχωριστά, και από άλλα ανταγωνιστικά μεθόδους.

Το νέο έγγραφο έχει τον τίτλο Πρόβλεψη ομορφιάς προσώπου που συνδυάζει μεταφορά μάθησης και ευρύ σύστημα μάθησης, και προέρχεται από έξι ερευνητές στο Πανεπιστήμιο Wuyi, Jiangmen.

Μέθοδος

Το προαναφερθέν Ευρύ Σύστημα Μάθησης είναι ένα ελαφρύ εναλλακτικό των βαθιάς νευρωνικών δικτύων, που παραλείπει το στοίβαγμα πολλαπλών στρωμάτων, και αντίθετα, διασκορπίζει τη μάθηση σε ένα ευρύ σύνολο απλών συνδέσεων, επιτρέποντας στα μοντέλα να εκπαιδεύονται γρήγορα – αλλά συνήθως με το κόστος της丧 της λεπτής οπτικής λεπτομέρειας.

Το πρώτο από τα δύο παραλλαγών, E-BLS, συνδυάζει Ευфективνή Μάθηση με BLS, εξαγωγής λεπτομερών οπτικών χαρακτηριστικών από ένα πρόσωπο, και στη συνέχεια μεταβιβάζοντας τα σε BLS, που συνεπάγεται μια τελική πρόβλεψη που αποφεύγει την ανάγκη να εκπαιδεύσει ένα πλήρες βαθύ νευρωνικό δίκτυο από την αρχή:

Σχήμα αρχιτεκτονικής για το μοντέλο E-BLS.

Η EfficientNet, προ-εκπαιδευμένη στο ImageNet-1k, και σε μεγάλο βαθμό αμετάβλητη, μετατρέπει κάθε είσοδο εικόνας σε ένα συμπαγές σύνολο τιμών χαρακτηριστικών που περιγράφουν το πρόσωπο με一个 δομημένο τρόπο, ενώ το BLS λαμβάνει αυτές τις τιμές και τις επεξεργάζεται μέσω ενός δικτύου απλών, τυχαία συνδεμένων κόμβων που μετατρέπουν και συνδυάζουν τις πληροφορίες, πριν παράγουν την τελική βαθμολογία ελκυστικότητας.

Επειδή το BLS δεν βασίζεται σε βαθιά στρωματοποιημένες δομές, το E-BLS μπορεί να ενημερωθεί με την προσθήκη περισσότερων κόμβων αντί να επαναεκπαιδεύσει το σύνολο του συστήματος,. Αυτό διατηρεί την εκπαίδευση γρήγορη, και κάνει ευκολότερη την βελτίωση του μοντέλου καθώς νέα δεδομένα εισάγονται.

Το δεύτερο από τα δύο παραλλαγών, ER-BLS, βασίζεται στο E-BLS με την προσθήκη ενός επιπλέον σταδίου επεξεργασίας μεταξύ του εξαγωγέα χαρακτηριστικών EfficientNet και του BLS, με στόχο την βελτίωση του τρόπου με τον οποίο αυτά τα εξαγόμενα χαρακτηριστικά προετοιμάζονται πριν από την αξιολόγηση:

Αρχιτεκτονική του μοντέλου ER-BLS.

Αντί να στείλει τα خامά χαρακτηριστικά EfficientNet直接 στο BLS, το ER-BLS πρώτα τα περνάει μέσω eines σταδίου βελτίωσης που стандαρδοποιεί και ανασχηματίζει τα δεδομένα, βοηθώντας στην μείωση του θορύβου, και κάνει τα χαρακτηριστικά πιο συνεπή σε διαφορετικές εικόνες. Αυτό το στάδιο σχεδιάζεται για να βελτιώσει τον τρόπο με τον οποίο το σύστημα γενικεύει, ιδιαίτερα όταν τα πρόσωπα ποικίλλουν σε φωτισμό, θέση, ή άλλες οπτικές συνθήκες που μπορούν να εισαγάγουν αστάθεια στις προβλέψεις.

Τα βελτιωμένα χαρακτηριστικά στη συνέχεια τροφοδοτούνται στο ίδιο BLS δομή που χρησιμοποιείται στο E-BLS, όπου οι κόμβοι χαρακτηριστικών και οι κόμβοι βελτίωσης μετατρέπουν και συνδυάζουν τις πληροφορίες για να παράγουν την τελική βαθμολογία ελκυστικότητας.

Δεδομένα και Δοκιμές

Για να δοκιμάσουν την προσέγγισή τους, οι συγγραφείς χρησιμοποίησαν το σύνολο δεδομένων SCUT-FBP5500, μια συλλογή πρόβλεψης ομορφιάς προσώπου από το Πανεπιστήμιο της Νότιας Κίνας, που περιέχει 5.500 εικόνες προσώπου σε 350x350px, με ποικιλία φυλών, φύλων και ηλικιών:

Δείγματα εικόνων συνόλου δεδομένων SCUT-FBP5500 αξιολογημένες από το λιγότερο (1) στο πιο ελκυστικό (5).

Κάθε εικόνα αξιολογήθηκε με μια βαθμολογία ομορφιάς από 60 εθελοντές, σε μια κλίμακα 1-5, που κυμαίνεται από εξαιρετικά μη ελκυστική (1) σε εξαιρετικά ελκυστική (5):

Η διαίρεση των αναλογιών εικόνων ανά βαθμό ομορφιάς.

Το άλλο σύνολο δεδομένων που χρησιμοποιήθηκε ήταν το Μεγάλο Σύνολο Δεδομένων Ασιατικών Γυναικών (LSAFBD) συλλογή, ένα σύνολο δεδομένων που δημιουργήθηκε από τους ίδιους τους συγγραφείς.

Δείγματα εικόνων συνόλου δεδομένων LSAFBD αξιολογημένες από το λιγότερο (1) στο πιο ελκυστικό (5).

Η συλλογή αποτελείται από 80.000 μη ετικετεμένες εικόνες σε 144x144px ανάλυση, με ποικιλίες σε θέση και φόντο, καθώς και ηλικία. Αυτές αξιολογήθηκαν από 75 εθελοντές για τα ίδια κριτήρια με το προηγούμενο σύνολο δεδομένων, αυτή τη φορά σε μια κλίμακα 0-4:

Οι διαιρέσεις για το σύνολο δεδομένων LSAFBD.

Κάθε σύνολο δεδομένων χωρίστηκε σε τμήματα εκπαίδευσης και δοκιμών σε một αναλογία 8/20, και διασταύρωση χρησιμοποιήθηκε για να σταθεροποιήσει τα αποτελέσματα σε διάφορες εκτελέσεις. Το BLS συνιστώσα ρυθμίστηκε μέσω του αριθμού των παραθύρων χαρακτηριστικών, του αριθμού των κόμβων ανά παράθυρο, και του αριθμού των κόμβων βελτίωσης, με Hyperopt που χρησιμοποιήθηκε για να αναζητήσει αποτελεσματικές συνδυασίες.

Για να καθορίσει μια βάση, ένα τυπικό μοντέλο BLS εκπαιδεύτηκε υπό τις ίδιες ρυθμίσεις, μετά από οποίο μια σειρά από μοντέλα μεταφοράς μάθησης εισήχθησαν, συμπεριλαμβανομένων ResNet50, Inception-V3, DenseNet121, InceptionResNetV2, EfficientNetB7, MobileNetV2, NASNet, και Xception – όλα αρχικοποιημένα με βάρη ImageNet-1k, και εκπαιδευμένα με τις τελικές στρώσεις απαλύνθηκαν.

Η εκπαίδευση χρησιμοποιούσε μια ταχύτητα μάθησης 0,001 (μείωση όταν σταμάτησε η πρόοδος), και ένα μέγεθος δείγματος 16, σε 50 epochs, με κανονικοποίηση και rectified linear ενεργοποίηση (ReLU) εφαρμοζόμενη σε όλη τη διάρκεια.

Η απόδοση αξιολογήθηκε χρησιμοποιώντας ακρίβεια και συσχέτιση Pearson, μαζί με τον συνολικό χρόνο εκπαίδευσης, με τα αποτελέσματα να μετριούνται σε πέντε εκτελέσεις.

Οι συγγραφείς αναφέρουν τη ρύθμιση εκπαίδευσης ως Intel-i7 3,6 GHz CPU και 64GB RAM σε ένα ‘επιτραπέζιο υπολογιστή’:

Σύγκριση απόδοσης στο SCUT-FBP5500, όπου E-BLS και ER-BLS επιτύγχαναν ανταγωνιστική ακρίβεια ενάντια σε βαθιά CNN μοντέλα, συμπεριλαμβανομένων ResNet50, EfficientNetB7, InceptionV3, και Xception, ενώ απαιτούσαν σημαντικά λιγότερο χρόνο εκπαίδευσης.

Τα αποτελέσματα έδειξαν ότι το E-BLS βελτίωσε την ακρίβεια από 65,85% σε 73,13%, ενώ το ER-BLS έφτασε στο 74,69%, ξεπερνώντας όλα τα συγκριτικά μοντέλα. Ο χρόνος εκπαίδευσης παρέμεινε αξιοσημείωτα χαμηλότερος από τα βαθιά CNN, περίπου 1.300 δευτερόλεπτα, σε σύγκριση με χιλιάδες έως πάνω από 25.000 δευτερόλεπτα.

Για τις δοκιμές στο LSAFBD, τα αποτελέσματα έδειξαν ότι το E-BLS βελτίωσε την ακρίβεια hơn από το απλό BLS, ενώ το ER-BLS επιτύγχασε την υψηλότερη ακρίβεια μεταξύ όλων των συγκριτικών μεθόδων:

Απόδοση στο LSAFBD, όπου ER-BLS και E-BLS παραδίδουν υψηλότερη ακρίβεια από όλα τα βασικά και μοντέλα μεταφοράς μάθησης, ενώ απαιτούν μόνο ένα τμήμα του χρόνου εκπαίδευσής τους.

Και τα δύο παραλλαγές διατήρησαν σημαντικά χαμηλότερο χρόνο εκπαίδευσης από τα βαθιά CNN μοντέλα, υποδηλώνοντας μια πιο αποτελεσματική ισορροπία μεταξύ απόδοσης και υπολογιστικού κόστους.

Συμπέρασμα

Αυτό είναι κάτι σαν ‘αναδρομή’ δημοσίευση, όπως φαίνεται από τη χρήση προ-boom αγαπημένων όπως τα CNN, και από το χαμηλότερο επίπεδο εξοπλισμού εκπαίδευσης που συνάντησα σε μια νέα δημοσίευση σε πολλά χρόνια.

Ωστόσο, ασχολείται με ένα आशχαραратно ανθεκτικό αντικείμενο στη машинική όραση, ένα που αγγίζει βαθιά την ανθρώπινη εμπειρία και την υποκειμενική ερμηνεία, και που απαιτεί ένα σχήμα που υπερβαίνει τις αισθητικές τάσεις της στιγμής, και μπορεί να παρέχει μια πραγματικά ανθεκτική διαδικασία για την εργασία.

Πρώτη δημοσίευση Πέμπτη, 19 Μαρτίου 2026