AI-työkalu poistaa meikit estääkseen alaikäiset ohittamasta ikärajoituksia

Meikin näkyvyys kasvoilla antaa alaikäisille käyttäjille, enimmäkseen tytöille, mahdollisuuden ohittaa itsevalokuvausten perusteella toimivat ikärajoitukset alustoilla, kuten deittisovelluksissa ja verkkokauppa-sivuilla. Uusi AI-työkalu puuttuu tähän aukkoon käyttämällä erottelumallia, joka on koulutettu poistamaan meikit säilyttäen identiteetin, mikä tekee siitä vaikeamman alaikäisille huijata automaattisia järjestelmiä.

Kolmannen osapuolen, itsevalokuvausten perusteella toimivien ikävarmistuspalvelujen käyttö on lisääntymässä, ei vähiten johtuen yleisestä maailmanlaajuisesta pyrkimyksestä kohti verkossa tapahtuvaa ikäperusteista varmistusta.

Esimerkiksi uudessa valvontajärjestelmässä, jonka Iso-Britannian Online Safety Act nyt määrää, ikävarmistus voidaan suorittaa monilla eri kolmannen osapuolen palveluilla, joissa käytetään erilaisia mahdollisia menetelmiä, mukaan lukien visuaalinen ikävarmistus, jossa käytetään AI:ta visuaaliseen ikäennustamiseen (yleensä live-mobiilikameran kuvamateriaalista). Palvelut, jotka käyttävät tällaisia lähestymistapoja, sisältävät Ondaton, TrustStampin ja Yotin.

Kuitenkin ikäennustaminen ei ole virheetöntä, ja perinteinen nuorten pyrkimys ennakoimaan aikuisuuden oikeuksia tarkoittaa, että nuoret ovat kehittäneet useita tehokkaita menetelmiä päästäkseen deittisivuille, foorumeille ja muihin ympäristöihin, jotka kieltävät heidän ikäryhmänsä.

Yksi näistä menetelmistä, jota tytöt käyttävät useimmin, on kasvojen meikkaus – taktiikka, joka tunnetaan huijaavan automaattisia ikäennustusjärjestelmiä, jotka yleensä yliarvioivat nuorten ikää ja aliarvioivat vanhempien ikää.

Ei vain tytöt

Ennen kuin vastalauseita herää meikin käsittelyssä “tyttöjen keskittyneenä”, on huomattava, että kasvojen meikin läsnäolo kellään tahansa on erittäin epäluotettava sukupuolen osoittaja:

Yhdysvaltalaiset tutkijat totesivat tutkimuksessaan ‘Impact of Facial Cosmetics on Automatic Gender and Age Estimation Algorithms’, että sukupuolentunnistusjärjestelmät olivat hämmennyksissä sukupuolen vaihtamisesta meikin avulla. Lähde: https://cse.msu.edu/~rossarun/pubs/ChenCosmeticsGenderAge_VISAPP2014.pdf

Vuonna 2024 arvioitiin, että 72 % Yhdysvaltain 18-24-vuotiaista mieskuluttajista sisällytti meikit osaksi hoitotoimenpiteitä, vaikka useimmat käyttävät kosmeettisia tuotteita terveen ihon näön parantamiseen eikä niinkään nautinnollisissa ^† mascaralla ja huulipunalla, jotka liitetään enemmän naisten visuaaliseen estetiikkaan.

Joten emme voi muuta kuin käsitellä tätä artikkelissa esitettyä aineistoa yleisimmin tutkitun skenaarion mukaisesti – siis naisten alaikäisten käyttäessä meikkiä ohittaakseen automaattiset visuaaliset ikävarmistusjärjestelmät.

Tehtävässä meikin poisto – AI:n tapaan

Tutkimus, josta yllä mainittiin, tulee New Yorkin yliopiston kolmelta osallistujalta uuden tutkimuksen muodossa DiffClean: Diffusion-based Makeup Removal for Accurate Age Estimation.

Hankkeen tavoitteena on saavuttaa AI-vetoinen menetelmä meikin poistamiseksi kuvista (mahdollisesti myös videokuvamateriaalista), jotta voidaan saada parempi käsitys henkilön todellisesta iästä meikin takana.

Uudesta tutkimuksesta, esimerkki siitä, miten meikin poisto voi merkittävästi muuttaa ikäennustetta. Lähde: https://arxiv.org/pdf/2507.13292

Yksi haasteellisimmista osista tällaisen järjestelmän kehittämisessä on potentiaalinen herkkä tilanne koskien nuorten ikäisten tyttöjen meikattujen kuvien keräämistä tai kokoamista. Lopulta tutkijat käyttivät kolmannen osapuolen Generative Adversarial Network -pohjaista järjestelmää nimeltä EleGANt meikkityylien keinotekoiseen asettamiseen, mikä osoittautui erittäin tehokkaaksi:

Tsinghua-yliopiston vuoden 2022 EleGANt-järjestelmä käyttää Generative Adversarial Networkia (GAN) asettaakseen kosmeettisia tuotteita aidosti alkuperäisiin valokuviin. Lähde: https://arxiv.org/pdf/2207.09840

Synnyttämällä tällaisia synteettisiä tietoja ja hyödyntämällä monia apuhankkeita ja tietokantoja, kirjoittajat pystyivät ylittämään valmiiden menetelmien ikäennustuksessa, kun he kohtasivat esittävää tai “näkyvää” meikkiä.

Tutkimus toteaa:

‘DiffClean [poistaa] meikin jäljet teksti-ohjatulla diffuusiomallilla puolustamaan meikin hyökkäyksiä vastaan. [Se] parantaa ikäennustetta (alaikäisen vs. aikuisen tarkkuus 4,8 %) ja kasvon tunnistamista (TMR 8,9 %:lla FMR=0,01:llä) kilpailevien vertailujärjestelmien yläpuolella digitaalisesti simuloitujen ja oikeiden meikkikuvien kanssa.’

Tutkikaamme, miten he lähestyivät tehtävää.

Menetelmä

Välttääkseen oikeiden nuorten ikäisten tyttöjen meikattujen kuvien lähdemisen, kirjoittajat käyttivät EleGANtia asettaakseen synteettisiä meikkityylejä UTKFace-tietokannasta saatuihin kuviin, tuottaen ennen ja jälkeen -parit koulutukseen.

Esimerkkejä UTKFace-tietokannasta. Lähde: https://susanqq.github.io/UTKFace/

DiffClean koulutettiin tämän muodonvaihdoksen kumoamiseen. Koska ikäennustusalgoritmit virheellisimmät nuorempien ikäryhmien käsittelyssä, tutkijat katsoivat tarpeelliseksi kehittää välillisen ikäluokittelijan, joka on hienosäädetty kohde-ikäryhmille (10-19 vuotta). Tähän tarkoitukseen he käyttivät SSRNet -arkkitehtuuria, joka on koulutettu UTKFace-tietokannassa, ja painotettua L1-hävikkiä.

Avattu versio vuoden 2021 OpenAI diffuusiomallista toimi muodonvaihdoksen runkona, ja kirjoittajat säilyttivät perusarkkitehtuurin, mutta muokkasivat sitä lisäämällä huomio-päitä eri resoluutioissa, syvemmissä kerroksissa ja BigGAN -tyylisissä lohkoissa parantamaan ylös- ja alaspäin näytteenottoprosesseja.

Suunnattu ohjaus toteutettiin CLIP -ohjaimilla: nimenomaan kasvo meikin kanssa ja kasvo ilman meikkiä, jotta malli oppisi liikkumaan toivottuun semanttiseen suuntaan, sallien meikin poiston ilman kasvon yksityiskohtien, ikämerkkien tai identiteetin vaarantamista.

Synteettinen meikki asetettu EleGANtin avulla. Jokainen tripletinä näytetään alkuperäinen UTKFace-kuva (vasemmalla), viite-meikkityyli (keskellä) ja tulos meikin siirtämisen jälkeen (oikealla). Meikin siirto tällaisella tavalla on yleinen kuvanjalostuksen kirjallisuudessa, ja tämä ominaisuus on myös saatavilla Adobe Photoshopin neuroverkkoprosessoreissa, jotka voivat asettaa meikkiä viitekuvasta kohdekuvan päälle.

Neljä avain hävikki-funktiota ohjasi meikin poistoa ilman vaikutusta kasvon identiteettiin tai ikämerkkeihin. Ohjaimien lisäksi mainittuun CLIP-pohjainen hävikki, identiteetti säilytettiin painotetulla ArcFace -hävikillä, joka mitasi samankaltaisuutta generoidun kasvon ja sekä alkuperäisen puhdas- kuin meikattujen versioiden välillä, varmistaen, että aihe pysyi visuaalisesti yhdenmukaisena ennen ja jälkeen meikin poiston.

Kolmanneksi, Learned Perceptual Similarity Metrics (LPIPS) -hävikki käytti L1-etäisyyttä pakottaen pikselitasolla realismin ja säilyttäen alkuperäisen kuvan ulkonäön meikin poiston jälkeen.

Lopuksi ikä varmistettiin hienosäädetyn SSRNetin avulla, joka oli koulutettu UTKFace-tietokannassa, ja malli käytti sileää L1-hävikkiä (jossa raskaammat rangaistukset virheille 10–29-vuotiaiden ikäryhmässä, missä luokitusvirheet ovat yleisimpiä). Hävikin muunnelma korvasi tämän CLIP-pohjaisella ikä-ohjaimella, joka ohjasi mallia vastaamaan tietyn ikäryhmän ulkonäköä.

Ikäennustuksessa käytettiin MiVOLO -kehyksen käyttöä.

Tiedot ja testit

SSRNetin hienosäätö UTKFace-tietokannassa käytti 15 364 kuvan koulutusjoukkoa 6 701 kuvan testijoukkoa vastaan. Alkuperäiset 20 000 kuvaa suodatettiin poistamaan yli 70-vuotiaat henkilöt, ja sitten jakautui 70:30-suhteessa.

Noudattaen aiemmin DiffAM-projektin vuoden 2023 menetelmää, koulutus eteni kahdessa vaiheessa, joista ensimmäinen käytti 300 oikean maailman meikki-kuvaa (200/100-jako koulutus- ja validointijoukoissa) BeautyGANin MT-tietokannasta.

Malli täydennettiin edelleen 300:lla UTKFace-kuvalla, joihin EleGANt asetti synteettistä meikkiä. Tämä loi lopullisen 600 esimerkin koulutusjoukon, joka oli paremmin jaettu viidelle viite-tyylille BeautyGANista. Koska meikin poisto vaatii useiden meikkityylien kartoittamista yhteen puhdas-kasvoon, koulutus keskittyi laajaan yleistymiseen kaiken mahdollisen kosmeettisen variation peittämisen sijaan.

Suorituskyky arvioitiin sekä synteettisillä että oikean maailman kuvilla. Synteettinen testaus käytti 2 556 Flickr-Faces-HQ -tietokannan kuvaa, tasaisesti otettuna yhdeksästä alle 70-vuotiaan ikäryhmästä, ja muokattuna EleGANtin avulla.

Yleistymistä arvioitiin 3 000 kuvalla BeautyFace -tietokannasta ja 355 kuvalla LADN -tietokannasta, jotka sisälsivät aitoa meikkiä.

Esimerkkejä BeautyFace-tietokannasta, jotka havainnollistavat semanttista segmentointia, joka määrittää eri alueita vaikuttavasta kasvojen pinnasta. Lähde: https://li-chongyi.github.io/BeautyREC_files/

Mittarit ja toteutus

Mittareina tutkijat käyttivät keskiarvoista virhettä (MAE) todellisen ja ennustetun ikäarvon välillä (missä pienemmät tulokset ovat parempia); ikäryhmän tarkkuutta arvioimaan, päätyvätkö ennustetut ikäarvot oikeaan ikäryhmään (missä pienemmät tulokset ovat parempia); sekä alaikäisen/aikuisen tarkkuutta arvioimaan, tunnistetaanko 18-vuotiaat henkilöt oikein (missä suuremmat tulokset ovat parempia).

Lisäksi, vaikka se ei keskity tarkalleen aiheeseen, tutkijat ilmoittavat myös identiteettitodistusmittareita muodossa Todellinen vastaavuusaste (TMR) ja Väärän vastaavuusaste (FMR), sekä liittyvien Vastaanottajan käyrän (ROC) arvoja.

SSRNet hienosäätö tehtiin 64×64px kuvilla eräkoko 50:n alla Adam -optimoinnin, paino-hävikin 1e−4, sekä kosinisen annealing-ajastimen ja oppimisnopeuden 1e−3 yli 200 epokin, varhaisen pysäytyksen kanssa.

Sen sijaan DiffClean-moduuli vastaanotti 256×256px syötteen, ja se hienosäätöitiin viidessä epokissa Adam-optimoinnin avulla, karkeamman oppimisnopeuden 4e−3 kanssa. Näyteottaminen käytti 40 DDIM-käännösaskelia ja 6 DDIM-etenevää askelta. Kaikki koulutus suoritettiin yhdellä NVIDIA A100 -näytönohjaimella (joko 40GB tai 80GB VRAM, mutta tämä ei ollut määritelty).

Vertailujärjestelminä testattiin CLIP2Protect ja aiemmin mainittu DiffAM. Tutkijat käyttivät ‘matte’ -meikkityylejä työnkulkussa, koska se on mainittu CLIP2Protectissa saavuttavan korkeamman onnistumisprosentin (vaikka se antaa myös mahdollisuuden keinoja ohittaa tämä lähestymistapa – mutta se on toisen kerran asia).

DiffAM:n toistamiseksi vertailukohtana, BeautyGANin esikoulutettu malli hienosäätöitiin MT-tietokannassa. Meikin vastaisen siirron osalta DiffAM:n pistettä käytettiin oletusarvoisilla parametreillä kohdemallille, viitekuvalle ja identiteetille.

DiffCleanin suorituskyky vertailujärjestelmiin ikäennustustehtävissä MiVOLO:n avulla. Ilmoitetaan mittareita: alaikäisen/aikuisen luokittelun tarkkuus, ikäryhmän tarkkuus ja keskiarvoinen virhe (MAE). DiffClean CLIP-ikähävikillä saavuttaa parhaat tulokset kaikissa mittareissa.

Näistä tuloksista tutkijat toteavat:

‘[Meidän] menetelmä DIFFCLEAN ylittää molemmat vertailujärjestelmät, CLIP2Protect ja DiffAM, ja pystyy onnistuneesti palauttamaan ikämerkit, jotka meikki on häikäissyt, laskemalla MAE:ta (5,71:een) ja parantamalla ikäryhmän ennustusjärjestelmää (37 %:iin).

‘Meidän tavoitteemme keskittyi alaikäisiin, ja tulokset osoittavat, että saavutamme paremman alaikäisen vs. aikuisen ikäluokittelun 88,6 %:lla.’

Meikin poistotulokset vertailujärjestelmistä ja ehdotetusta menetelmästä. Vasemmalla oleva sarake näyttää alkuperäiset kuvat, seuraava sarake CLIP2Protectin ja DiffAM:n tulokset. Kolmas sarake näyttää DiffCleanin tulokset SSRNetin ja CLIP-pohjaisen ikähävikin kautta. Tutkijat väittävät, että DiffClean poistaa meikin tehokkaammin välttäen CLIP2Protectin aiheuttamat piirteiden vääristymät ja DiffAM:n jättämät jäljellä olevat kosmetiikat.

Tutkijat huomauttavat myös, että meikki ei vaikuta yhdenmukaisesti havaittuun ikään, vaan voi lisätä, vähentää tai jättää muuttumattomaksi kasvon näennäisen ikän. Siksi DiffClean ei sovella “yläpäätä” vähennystä ennustettuun ikään, vaan yrittää palauttaa alkuperäiset ikämerkit poistamalla kosmeettiset jäljet:

Meikin poistoesimerkkejä CelebA-HQ- ja CACD-tietokannoista. Jokainen sarake näyttää kuvan parin ennen (vasemmalla) ja jälkeen (oikealla) meikin poiston. Ensimmäisessä sarakkeessa ennustettu ikä laskee meikin poiston jälkeen; toisessa sarakkeessa se säilyy muuttumattomana; ja kolmannessa sarakkeessa se kasvaa.

Tutkimaan, miten hyvin DiffClean suoriutui uusilla tiedoilla, se ajettiin BeautyFace- ja LADN-tietokannoilla, jotka sisälsivät aitoa meikkiä mutta ei pareja samoista henkilöistä ilman meikkiä. Ikäennusteet ennen ja jälkeen meikin poiston vertailtiin arvioidakseen, miten tehokkaasti DiffClean vähentää meikin aiheuttamaa vääristymää:

Meikin poistotulokset oikean maailman kuvista LADN- (vasemmalla) ja BeautyFace- (oikealla) tietokannoista. DiffClean vähentää ennustettuja ikäarvoja poistamalla kosmetiikkaa, supistaen kuilun näennäisen ja todellisen ikän välillä. Valkoiset numerot osoittavat arvioidut ikäarvot ennen ja jälkeen prosessoinnin.

Tulokset osoittivat, että DiffClean vähentää johdonmukaisesti kuilun näennäisen ja todellisen ikän välillä. Molemmilla tietokannoilla se laski yliarvioinnin ja aliarvioinnin virheitä noin kolme vuotta keskimäärin, osoittaen, että järjestelmä yleistyy hyvin oikean maailman kosmeettisiin tyyleihin.

Johtopäätös

On mielenkiintoista, ja ehkä vääjäämätöntä, että esittävä kosmetiikkameikki olisi käytetty vastakkaisella tavalla. Koska tytöt kehittyvät eri tahtiin, mutta kehnittyvät yleensä nopeammin ryhmänä, tehtävä alaikäisen ja aikuisen naisen statuksen määrittämisestä voi olla yksi urheilullisimmista, mitä tutkimuskenttä on asettanut itselleen.

Kuitenkin aika ja data voivat lopulta määritellä johdonmukaisia ikämerkkejä, joita voidaan käyttää ankkuroimaan visuaalisiin ikävarmistusjärjestelmiin.

* Koska tämä aihe kutsuu herkkää kieltä, ja koska ‘tytöt’ on sulkeutunut (ja ‘naiset ja tytöt’, nykyään hyväksytty termi naispuolisille henkilöille, ei ole tarkka kuvaus tässä tapauksessa), olen oletettu ‘naiset’ parhaaksi kompromissiksi, jota voisin keksiä – vaikka se ei kaikki demografiset nyanssit – jonka vuoksi pyydän anteeksi.

^† Tässä artikkelissa käytän ‘esittävää’ kuvaamaan meikkiä, joka on tarkoitettu näkyväksi ja tunnistettavaksi meikkinä, kuten mascarana, eyelinerina, poskipunana ja meikkivoidena, verrattuna peittäviin voiteisiin ja muihin ‘salattuihin’ kosmeettisiin sovelluksiin.

Julkaistu ensimmäisen kerran perjantaina, 18. heinäkuuta 2025