AI-työkalu poistaa meikit estääkseen alaikäiset ohittamasta ikärajoituksia

Kasvojen meikkien näkyminen antaa alaikäisille, etupäässä tytöille, mahdollisuuden ohittaa itsekuvaan perustuvat ikärajoitukset alustoilla, kuten deittisovelluksissa ja verkkokauppa-sivuilla. Uusi AI-työkalu ratkaisee tämän keppiheikki-ongelman käyttämällä erottelumallia, joka on koulutettu poistamaan meikit säilyttäen samalla identiteetin, mikä tekee siitä vaikeamman alaikäisille huijata automaattisia järjestelmiä.

Kolmansien osapuolten, itsekuvaan perustuvien ikävarmistuspalvelujen käyttö on lisääntymässä, ei vähiten johtuen yleisestä maailmanlaajuista pyrkimyksestä kohti verkossa tapahtuvaa ikäperusteista varmistamista.

Esimerkiksi Yhdistyneen kuningaskunnan uudessa sääntelyohjelmassa, jonka Ofcom nyt vaatii, ikävarmistus voidaan suorittaa useiden eri kolmannen osapuolen palvelujen avulla, jotka käyttävät erilaisia menetelmiä, mukaan lukien visuaalista ikävarmistusta, jossa käytetään tekoälyä ennustamaan käyttäjän ikää (yleensä live-kamerakuvaa käyttäen). Palvelut, jotka käyttävät tällaisia lähestymistapoja, ovat Ondato, TrustStamp ja Yoti.

Ikäennustus ei kuitenkaan ole virheetön, ja perinteinen nuorten halu edustaa aikuisuuden oikeuksia tarkoittaa, että nuoret ovat kehittäneet monia tehokkaita keinoja päästäkseen sisään deittisivustoille, foorumeille ja muihin ympäristöihin, jotka kieltävät heidän ikäryhmänsä.

Yksi näistä menetelmistä, jota käytetään eniten naispuolisia*, on kasvojen meikkien käyttö – taktiikka, joka tunnettiin huijaavan automaattisia ikäennustusjärjestelmiä, jotka yleensä yliarvioivat nuorempien ikää ja aliarvioivat vanhempien ikää.

Ei vain tytöt

Ennen kuin vastalauseita herää meikin käytön “naisten keskittyneisyydestä”, on huomattava, että kasvojen meikkien läsnäolo kellään tahansa on hyvin 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 oli ottanut meikit osaksi hoitotoimenpiteistään – vaikka useimmat käyttivät kosmetiikkatuotteita terveen ihon ulkonäön parantamiseen eikä niinkään naamioitumiseen, jota yleensä naiset käyttävät visuaaliseen esteettisuuteen.

Niinpä emme voi kuin käsitellä tätä artikkelissa käsiteltävää aineistoa yleisimmin tutkitun skenaarion mukaisesti – siis naisten alaikäisten käytön meikkiä välineenä automaattisten visuaalisten ikävarmistusjärjestelmien ohittamiseen.

Tehtävä on ratkaistu – AI:n avulla

Yllä mainittu tutkimus on peräisin New Yorkin yliopiston kolmelta tutkijalta ja on julkaistu uudessa tutkimuksessa DiffClean: Diffusion-pohjainen meikin poisto tarkkaan ikäarviointiin.

Tutkimuksen tavoitteena on kehittää AI-pohjainen menetelmä meikin poistamiseksi kuvista (mahdollisesti myös videokuvasta), jotta voidaan saada parempi käsitys henkilön todellisesta iästä meikin takana.

Uudesta tutkimuksesta, esimerkki meikin poistosta. Lähde: https://arxiv.org/pdf/2507.13292

Tämänkaltaisen järjestelmän kehittämisen yksi haaste on herkkä tilanne, jossa kerätään tai kootaan kuvia alaikäisistä tytöistä meikissä. Lopulta tutkijat käyttivät kolmannen osapuolen Generative Adversarial Network -pohjaista EleGANt-järjestelmää, joka voi keinotekoisesti asettaa meikkityylejä, ja tämä osoittautui erittäin tehokkaaksi:

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

Tämän keinotekoisen aineiston avulla, sekä monien muiden apuhankkeiden ja tietokantojen avulla, tutkijat pystyivät ylittämään aiemmat menetelmät ikäarvioinnissa, kun vastaan tuli näyttävää tai “näkyvää” meikkiä.

Tutkimusraportissa todetaan:

‘DiffClean poistaa meikin jäljet teksti-ohjatulla diffuusiomallilla puolustamaan meikkihyökkäyksiä. [Se] parantaa ikäarviointia (alaikäinen vs. aikuinen tarkkuus 4,8 %) ja kasvon tunnistamista (TMR 8,9 % FMR=0,01 %) verrattuna muihin vertailukohteisiin digitaalisesti simuloitiin ja oikeisiin meikkiin.

Tutkijat kertovat, kuinka he lähestyivät tehtävää.

Menetelmä

Välttääkseen oikeiden kuvien keräämisen alaikäisistä meikissä, tutkijat käyttivät EleGANtia asettaakseen keinotekoisia meikkejä UTKFace-tietokannasta saatuihin kuviin, jolloin syntyi ennen ja jälkeen -parit koulutukseen.

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

DiffClean koulutettiin tätä muunnosta vastaan. Koska ikäarviointialgoritmit virheellisimmät nuorempien ikäryhmien käsittelyssä, tutkijat löysivät tarpeen kehittää välillinen ikäluokittelija hienosäädetty kohde-ikään (10-19 vuotta). Tähän tarkoitukseen he käyttivät SSRNet -arkkitehtuuri, joka oli koulutettu UTKFace-tietokannassa, ja painotetulla L1-häviöllä.

Avattu versio OpenAI:n diffuusiomallista vuodelta 2021 toimi muodonmuutoksen runkona, ja tutkijat säilyttivät ydinarkkitehtuurin, mutta muunsivat sen lisäämällä huomio-päitä eri resoluutioissa, syvempiä kerroksia ja BigGAN-tyylisiä lohkoja parantamaan ylös- ja alaspäin näytön vaiheita.

Suunnan mukainen ohjaus toteutettiin CLIP -ohjeilla: nimenomaan kasvot meikissä ja kasvot ilman meikkiä, jotta malli oppisi liikkumaan toivottuun semanttiseen suuntaan, jolloin meikki voidaan poistaa ilman, että kasvonpiirteet, ikämerkit tai identiteetti vaarantuvat.

Keinotekoiset meikit asetettiin EleGANtin avulla. Kukin tripletin esittää alkuperäisen UTKFace-kuvan (vasemmalla), viite-meikkityylin (keskellä) ja tuloksen meikin siirtämisen jälkeen (oikealla). Meikin siirto tällaisella tavalla on yleinen tietokonegrafiikan kirjallisuudessa, ja tällainen ominaisuus on myös saatavilla Adobe Photoshopin neuroverkkoprosessoreissa, jotka voivat asettaa meikkiä viitekuvasta kohdekuvan päälle.

Neljä avain häviöfunktiota ohjasi meikin poistoa ilman, että kasvojen identiteettiä tai ikämerkintöjä vaarantui. Ohjeiden lisäksi, joita mainittiin aiemmin, identiteetti säilytettiin ArcFace -häviöillä, jotka mitasivat luotettavuutta syntetisoidun kasvon ja sekä alkuperäisen puhdas- että “meikattu”-version välillä, varmistaen, että aihe pysyi visuaalisesti yhdenmukaisena ennen ja jälkeen meikin poiston.

Kolmanneksi, LPIPS -häviö käytti L1-etäisyyttä pakottaakseen pikselitasolla realistisuutta ja säilyttääkseen alkuperäisen kuvan yleisen ulkonäön meikin poiston jälkeen.

Lopulta ikä ohjattiin hienosäädetyn SSRNetin avulla, joka oli koulutettu UTKFace-tietokannassa, ja malli käytti sileää L1-häviötä (jossa rangaistukset virheille ikäryhmässä 10–29 vuotta olivat raskaimmat, missä luokittelu on yleisin). Mallin muunnelma korvasi tämän CLIP-pohjaisella ikäohjeella, jossa malli pyrittiin saamaan vastaamaan tietyn iän ulkonäköä.

Ikäarvioinnissa käytettiin MiVOLO -kehyksessä.

Tiedot ja testit

SSRNet-hienosäätö, joka tehtiin UTKFace-tietokannasta, käytti 15 364 kuvan koulutusjoukkoa 6 701 kuvan testijoukkoa vastaan. Alkuperäiset 20 000 kuvaa suodatettiin poistamaan ketkä tahansa yli 70-vuotiaat, ja sitten jaettiin 70:30-suhteessa.

Koulutus suoritettiin kahtena vaiheena, joista ensimmäinen käytti 300 oikean maailman meikkiä (200/100-jako koulutus- ja validointijoukoissa) BeautyGANin MT-tietokannasta.

Malli hienosäädettiin edelleen 300:lla lisäkuvalla UTKFace-tietokannasta, joihin EleGANt asetti keinotekoisia meikkejä. Tämä loi lopullisen 600 esimerkin koulutusjoukon, joka kattoi viisi viite-tyyliä BeautyGANista. Koska meikin poisto edellyttää useiden meikkityylien kartoittamista yhteen puhdasnaiseen, koulutus keskittyi laajaan yleistymiseen eikä kaikkien mahdollisten kosmetiikkavariatioiden kattamiseen.

Suorituskyky arvioitiin sekä keinotekoisilla että oikean maailman kuvilla. Keinotekoinen testaus käytti 2 556 Flickr-Faces-HQ -tietokannan (FFHQ) kuvaa, jotka otettiin tasaisesti yhdeksästä ikäryhmästä alle 70-vuotiaiden joukosta, ja muunnettiin EleGANtin avulla.

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

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

Mittarit ja toteutus

Mittareina tutkijat käyttivät keskiarvoista virhettä (MAE) todellisen ja ennustetun ikäarvon välillä, missä alempi tulos on parempi; ikäryhmän tarkkuutta käytettiin arvioimaan, päätyykö ennustetut ikäarvot oikeisiin ryhmiin (missä alempi tulos on parempi); alaikäisten/aikuisten tarkkuutta käytettiin 18-vuotiaiden henkilöiden oikean tunnistamisen arviointiin (missä korkeampi tulos on parempi).

Lisäksi, vaikka se ei liity suoraan aiheeseen, tutkijat ilmoittavat myös identiteetin varmistamisen mittareita vastaanottajan käyrän (ROC) arvon muodossa, sekä liittyvien tosi positiivisten ja falski positiivisten lukujen ilmoittamista.

SSRNet hienosäädettiin 64x64px-kuvilla erän koko 50:llä Adam -optimoinnilla, jossa painohäviö oli 1e−4, sekä kosinisen aikataulun ja oppien hidastus 1e−3 200 epokin ajan, varhaisen pysäytyksen kanssa.

Sen sijaan DiffClean-moduuli vastaanotti 256x256px-kuvia ja hienosäädettiin viidellä epokalla Adam-optimoinnilla, jossa oppimisnopeus oli 4e−3. Näytteenotto käytti 40 DDIM-inversiota ja 6 DDIM-eteenpäinaskelta. 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 työnkulussa, koska se on mainittu CLIP2Protectissa saavuttavan korkeamman onnistumisprosentin (vaikka se antaa myös mahdollisuuden keinoja, joilla voidaan ohittaa tämä lähestymistapa – mutta se on toisen kerran asia).

DiffAM:n toistamiseksi tutkijat käyttivät esikoulutettua mallia BeautyGANin MT-tietokannasta. Vastakkainen meikin siirto suoritettiin DiffAM:n esiohjatun mallin avulla oletusarvoisilla parametreillä kohdemallille, viitekuvalle ja identiteetille.

DiffCleanin suorituskyky vertailujärjestelmiin verrattuna ikäarviointitehtävissä MiVOLO-käytössä. Ilmoitetut mittarit ovat alaikäisten/aikuisten luokittelun tarkkuus, ikäryhmän tarkkuus ja keskiarvoisen virheen arvo (MAE). DiffClean CLIP-ikähäviöllä saavuttaa parhaat tulokset kaikissa mittareissa.

Tutkijat toteavat:

‘[Meidän] menetelmä DIFFCLEAN ylittää molemmat vertailukohdetemme, CLIP2Protectin ja DiffAMin, ja pystyy palauttamaan ikämerkit, jotka meikki on häikäissyt, alentamalla MAE:ta (5,71:een) ja parantamalla ikäryhmän ennustusvirhettä (37 %:iin).

‘Meidän tavoitteemme keskittyi alaikäisiin, ja tulokset osoittavat, että saavutamme paremman alaikäisten ja aikuisten ikäluokituksen (88,6 %).’

Meikin poistotulokset vertailujärjestelmistä ja ehdotetusta menetelmästä. Vasemmalla oleva sarakkeessa on alkuperäiset kuvat, seuraavassa sarakkeessa on tulokset CLIP2Protectista ja DiffAM:stä. Kolmannessa sarakkeessa on DiffCleanin tulokset SSRNetin ja CLIP-pohjaisen ikähäviön avulla. Tutkijat väittävät, että DiffClean poistaa meikin tehokkaammin välttämällä CLIP2Protectin piirteiden vääristymän ja DiffAM:n jäljellä olevat kosmetiikat.

Tutkijat huomauttavat myös, että meikki ei vaikuta yhdenmukaisesti havaittuun ikään, vaan voi lisätä, vähentää tai jättää muuttumattomaksi kasvojen ilmeen, joten DiffClean ei sovella ‘yläpuoleista’ vähennystä ennustettuun ikään, vaan yrittää palauttaa alkuperäiset ikämerkit poistamalla kosmetiikkajäljet:

Meikin poistotulokset CelebA-HQ- ja CACD-tietokannoista. Kukin sarakkeessa on kuva ennen (vasemmalla) ja jälkeen (oikealla) meikin poiston. Ensimmäisessä sarakkeessa ennustettu ikä laskee meikin poiston jälkeen; toisessa sarakkeessa se säilyy muuttumattomana; ja kolmannessa sarakkeessa se nousee.

Tutkijat testasivat, kuinka hyvin DiffClean toimii uusilla aineistoilla, ja suorittivat sen BeautyFace- ja LADN-tietokannoilla, jotka sisälsivät aitoa meikkiä mutta ei pareja samoista henkilöistä ilman meikkiä. Ikäennusteet ennen ja jälkeen meikin poiston vertailtiin, jotta voitiin arvioida, kuinka tehokkaasti DiffClean vähentää meikin aiheuttamaa vääristymää:

Meikin poistotulokset LADN- (vasemmalla) ja BeautyFace- (oikealla) tietokannoista. DiffClean vähentää ennustettua ikää poistamalla kosmetiikkaa, supistaen kuilun näkyvän ja todellisen iän välillä. Valkoiset numerot osoittavat ennustetut ikäarvot ennen ja jälkeen prosessoinnin.

Tulokset osoittivat, että DiffClean vähentää johdonmukaisesti ennustettua ikää molemmissa tietokannoissa, ja vähentää yliarvioinnin ja aliarvioinnin virheitä noin kolme vuotta keskimäärin, mikä viittaa siihen, että järjestelmä yleistyy hyvin todellisiin kosmetiikkatyyleihin.

Johtopäätös

On mielenkiintoista, ja ehkä väistämätöntä, että näyttävä kosmetiikkameikki olisi käytetty vastakkaisessa tarkoituksessa. Koska tytöt kehittyvät eri tahtiin, mutta kehittyvät yleensä nopeammin ryhmänä, tehtäväksi tulee yhden alaikäisen ja aikuisen statuksen välisen rajan määrittely, mikä on yksi haasteellisimmista tehtävistä, jonka tutkimus on asettanut itselleen.

Ajan myötä ja datan avulla voidaan kuitenkin löytää johdonmukaisia ikämerkintöjä, joita voidaan käyttää visuaalisten ikävarmistusjärjestelmien ankkurointiin.

* Koska tämä aihe kutsuu esiin latautuneen kielen, ja koska ‘tytöt’ on sulkeutunut (kun ‘naiset ja tytöt’, nykyään hyväksytty termi naispuolisille, ei ole tarkin kuvaus tässä tapauksessa), olen valinnut ‘naiset’ parhaana kompromissina, jonka pystyin keksimään – vaikka se ei kaikki demograafiset nyanssit – josta olen pahoillani.

^† Tässä artikkelissa käytän termiä ‘näyttävä’ kuvaamaan meikkiä, joka on tarkoitettu näkyväksi ja tunnistettavaksi meikkinä, kuten mascarata, eyeliner, poskipuna ja pohjustus, verrattuna peittäviin voiteisiin ja muihin ‘salattuihin’ kosmetiikkasovelluksiin.

Julkaistu ensimmäisen kerran perjantaina, 18. heinäkuuta 2025