एआई टूल मेकअप को हटा देता है जिससे नाबालिगों को उम्र की जांच से बचने से रोका जा सके

चेहरे के मेकअप की उपस्थिति स्व-चेहरा आधारित उम्र की जांच पर नाबालिग उपयोगकर्ताओं, ज्यादातर लड़कियों को प्लेटफ़ॉर्म जैसे डेटिंग ऐप और ई-कॉमर्स साइटों पर उम्र की जांच से बचने देती है। एक नया एआई टूल इस खामी को संबोधित करता है, जो मेकअप को मिटाते हुए पहचान को बनाए रखने के लिए एक भेदभावपूर्ण मॉडल का उपयोग करता है, जिससे नाबालिगों के लिए स्वचालित प्रणालियों को चकमा देना मुश्किल हो जाता है।

तीसरे पक्ष की स्व-चेहरा आधारित उम्र सत्यापन सेवाओं का उपयोग बढ़ रहा है, ज्यादातर सामान्य वैश्विक प्रोत्साहन के कारण ऑनलाइन उम्र आधारित सत्यापन की ओर।

उदाहरण के लिए, यूके के ऑनलाइन सुरक्षा अधिनियम के नए प्रवर्तन शासन में, जिसे अब ओफकॉम द्वारा अनिवार्य किया जाता है, उम्र सत्यापन विभिन्न प्रकार की तीसरे पक्ष की सेवाओं द्वारा किया जा सकता है, विभिन्न संभावित तरीकों का उपयोग करके, दृश्य उम्र सत्यापन सहित, जहां एआई का उपयोग उपयोगकर्ता की उम्र की दृश्य रूप से भविष्यवाणी करने के लिए किया जाता है (आमतौर पर लाइव मोबाइल कैमरा फुटेज से)। इस प्रकार के दृष्टिकोण का उपयोग करने वाली सेवाओं में ओंडाटो, ट्रस्ट स्टैम्प, और योटी शामिल हैं।

हालांकि, उम्र का अनुमान लगाना अक्षय नहीं है, और किशोरों को वयस्कता के अधिकारों की प्रत्याशा के पारंपरिक निर्धारण का अर्थ है कि युवा लोगों ने एक किशोर के रूप में प्रतिबंधित उम्र समूह में प्रवेश करने के लिए कई प्रभावी तरीके विकसित किए हैं डेटिंग साइटों, मंचों और अन्य वातावरण में।

एक ऐसी विधि जिसका उपयोग मुख्य रूप से महिलाओं द्वारा किया जाता है, चेहरे का मेकअप पहनना है – एक रणनीति जाना जाता है स्वचालित उम्र-अनुमान प्रणालियों को चकमा देने के लिए, जो आमतौर पर युवा लोगों की उम्र को अधिक अनुमान लगाती है और बुजुर्ग लोगों की उम्र को कम अनुमान लगाती है।

केवल लड़कियां नहीं

लड़कियों पर केंद्रित मेकअप पर विचार करने से पहले, हमें यह ध्यान देना चाहिए कि चेहरे के मेकअप की उपस्थिति किसी के लिए भी लिंग का एक बहुत अविश्वसनीय संकेतक है:

अमेरिकी शोधकर्ताओं ने ‘फेशियल कॉस्मेटिक्स ऑन ऑटोमैटिक जेंडर एंड एज एस्टीमेशन अल्गोरिदम’ नामक एक शोध पत्र में पाया कि लिंग सत्यापन प्रणालियों को लिंग-विनिमय मेकअप ने चकमा दिया। स्रोत: https://cse.msu.edu/~rossarun/pubs/ChenCosmeticsGenderAge_VISAPP2014.pdf

2024 में, 18-24 वर्ष की आयु के 72% अमेरिकी पुरुष उपभोक्ताओं को अनुमानित किया गया था कि वे अपने सौंदर्य दिनचर्या में मेकअप शामिल करते हैं – हालांकि अधिकांश स्वस्थ त्वचा की उपस्थिति को बढ़ाने के लिए सौंदर्य उत्पादों का उपयोग करते हैं, न कि महिलाओं की दृश्य सौंदर्यशास्त्र से जुड़े प्रदर्शनी मास्कारा, लिपस्टिक संयोजनों का आनंद लेने के लिए।

इसलिए हम इस लेख में अध्ययन की सामग्री को नए शोध में खोजे गए सबसे सामान्य परिदृश्य के साथ-साथ जाने का विकल्प चुनते हैं – महिला नाबालिगों का मेकअप पहनना स्वचालित दृश्य उम्र सत्यापन प्रणालियों को चकमा देने के लिए।

प्रभावी मेकअप हटाना – एआई तरीका

उपरोक्त शोध न्यूयॉर्क विश्वविद्यालय के तीन योगदानकर्ताओं से आता है, नया शोध पत्र DiffClean: Diffusion-based Makeup Removal for Accurate Age Estimation के रूप में।

परियोजना का उद्देश्य चेहरे की छवियों (संभावित रूप से वीडियो छवियों सहित) से मेकअप की उपस्थिति को हटाने के लिए एक एआई-संचालित तरीके को प्राप्त करना है, ताकि मेकअप के पीछे व्यक्ति की वास्तविक उम्र का बेहतर विचार प्राप्त किया जा सके।

नए शोध पत्र से, मेकअप हटाने का एक उदाहरण। स्रोत: https://arxiv.org/pdf/2507.13292

एक ऐसी प्रणाली विकसित करने की एक चुनौती यह है कि कम उम्र की लड़कियों के मेकअप में छवियों को इकट्ठा करने या क्यूरेट करने के आसपास संभावित संवेदनशीलता है। अंत में, शोधकर्ताओं ने मेकअप शैलियों को कृत्रिम रूप से लागू करने के लिए एक तीसरे पक्ष के जनरेटिव एडवर्सेरियल नेटवर्क-आधारित सिस्टम का उपयोग किया, जिसे EleGANt कहा जाता है, जो बहुत प्रभावी साबित हुआ:

त्सिंगहुआ विश्वविद्यालय की 2022 की EleGANt प्रणाली जेनरेटिव एडवर्सेरियल नेटवर्क (GAN) का उपयोग स्रोत फोटो पर प्रामाणिक रूप से कॉस्मेटिक्स को सुपरइम्पोज़ करने के लिए करती है। स्रोत: https://arxiv.org/pdf/2207.09840

इस प्रकार प्राप्त सिंथेटिक डेटा के साथ, और विभिन्न सहायक परियोजनाओं और डेटासेट की विविध श्रृंखला की मदद से, लेखक प्रदर्शनी या ‘प्रदर्शनी’ मेकअप का सामना करने पर राज्य-कला तरीकों से बेहतर प्रदर्शन करने में सक्षम थे।

शोध पत्र में कहा गया है:

‘DiffClean [मेकअप के निशान को मिटा देता है] एक पाठ-निर्देशित प्रसार मॉडल का उपयोग करके मेकअप हमलों के खिलाफ रक्षा करने के लिए। [यह] उम्र का अनुमान लगाने (नाबालिग बनाम वयस्क सटीकता 4.8% से) और चेहरे की सत्यापन (टीएमआर 8.9% से एफएमआर = 0.01% पर) में सुधार करता है डिजिटल रूप से अनुकरणित और वास्तविक मेकअप छवियों पर प्रतिस्पर्धी बेसलाइन की तुलना में।’

आइए देखें कि उन्होंने यह कैसे किया।

विधि

वास्तविक छवियों को मेकअप में सोर्स करने से बचने के लिए, लेखकों ने UTKFace डेटासेट से छवियों पर EleGANt का उपयोग करके सिंथेटिक मेकअप लागू किया, प्रशिक्षण के लिए पहले और बाद के जोड़े पैदा किए।

UTKFace डेटासेट के उदाहरण। स्रोत: https://susanqq.github.io/UTKFace/

DiffClean को तब प्रशिक्षित किया गया था कि यह परिवर्तन को उल्टा कर दे। चूंकि उम्र-अनुमान अल्गोरिदम युवा आयु वर्ग के साथ सबसे अधिक गलतियाँ करते हैं, शोधकर्ताओं ने 10-19 वर्ष (लक्ष्य आयु) पर महीने के लिए एक प्रॉक्सी आयु वर्गीकारक विकसित करने की आवश्यकता पाई। इसके लिए उन्होंने फाइन-ट्यून किया SSRNet आर्किटेक्चर को UTKFace पर, एक वजनित L1 नुकसान के साथ।

2021 के ओपनएआई प्रसार मॉडल ने परिवर्तन के लिए बैकबोन प्रदान किया, जिसमें लेखकों ने मुख्य वास्तुकला को बनाए रखा, लेकिन विभिन्न संकल्पों पर अतिरिक्त ध्यान देने वाले सिर, गहरी परतें और बिगगन-शैली के ब्लॉकों के साथ संशोधित किया, जो अपसैंपलिंग और डाउनसैंपलिंग चरणों में सुधार करने के लिए थे।

दिशा नियंत्रण को क्लिप प्रोम्प्ट का उपयोग करके पेश किया गया था: विशेष रूप से, मेकअप के साथ चेहरा और मेकअप के बिना चेहरा, ताकि मॉडल वांछित सेमांटिक दिशा में सीखने के लिए सीखे, मेकअप को हटाने की अनुमति देते हुए चेहरे की विवरण, उम्र संकेत या पहचान को समझौता किए बिना।

EleGANt का उपयोग करके सिंथेटिक मेकअप लागू किया गया। प्रत्येक तिकड़ी में मूल UTKFace छवि (बाएं), संदर्भ मेकअप शैली (मध्य), और शैली हस्तांतरण (दाएं) के बाद परिणाम दिखाया गया है। मेकअप हस्तांतरण इस प्रकार का कंप्यूटर विजन साहित्य में प्रचुर मात्रा में है, और एडोब फोटोशॉप के न्यूरल फिल्टर में यह सुविधा भी उपलब्ध है, जो एक संदर्भ छवि से एक लक्ष्य छवि पर मेकअप लागू कर सकता है।

चार प्रमुख नुकसान कार्य मेकअप को हटाने के लिए मार्गदर्शन किया, जिसमें पहचान और उम्र संकेत प्रभावित नहीं हुए। उपरोक्त क्लिप-आधारित नुकसान के अलावा, पहचान को आर्कफेस के एक वजनित जोड़े का उपयोग करके संरक्षित किया गया था, जो इनसाइटफेस लाइब्रेरी से नुकसान को मापता था, जो उत्पन्न की गई छवि और मूल साफ छवि और ‘बनावट’ संस्करण दोनों के बीच समानता को मापता था, यह सुनिश्चित करता है कि विषय दोनों से पहले और बाद में दृश्य रूप से संगत रहता है।

तीसरा, सीखा हुआ संवेदी समानता मीट्रिक्स (LPIPS) ने L1 दूरी का उपयोग किया और पिक्सेल-स्तर की वास्तविकता को लागू किया, और मूल छवि की समग्र उपस्थिति को मेकअप को हटाने के बाद बनाए रखा।

अंत में, उम्र पर्यवेक्षा एक महीने SSRNet का उपयोग किया गया था जो UTKFace डेटासेट पर प्रशिक्षित किया गया था, जिसमें मॉडल एक चिकनी L1 नुकसान (10-29 आयु सीमा में त्रुटियों के लिए भारी दंड के साथ) का उपयोग करता था। मॉडल का एक रूप इसे एक क्लिप-आधारित आयु प्रोम्प्ट से बदल देता है, जो मॉडल को एक विशिष्ट आयु की उपस्थिति से मेल खाने के लिए प्रेरित करता है।

आयु अनुमान के लिए अनुमान समय (प्रशिक्षण समय के विपरीत, जब SSRNet का उपयोग किया जाता है), 2023 के MiVOLO ढांचे का उपयोग किया गया था।

डेटा और परीक्षण

UTKFace पर SSRNet के महीने ने 15,364 छवियों का प्रशिक्षण सेट नियुक्त किया, 6,701 छवियों के परीक्षण सेट के खिलाफ। मूल 20,000 छवियों को किसी भी व्यक्ति को हटाने के लिए फ़िल्टर किया गया था जो 70 से अधिक आयु का था, और फिर 70:30 के अनुपात में विभाजित किया गया था।

2023 के DiffAM परियोजना द्वारा स्थापित先 के तरीके के अनुसार, प्रशिक्षण दो चरणों में आगे बढ़ा, जिसमें प्रारंभिक सत्र में 300 वास्तविक दुनिया की मेकअप छवियों (इस बार प्रशिक्षण और सत्यापन के बीच 200/100 विभाजन) का उपयोग किया गया था, जो BeautyGAN के एमटी डेटासेट से थीं।

मॉडल को तब और परिष्कृत किया गया जब 300 अतिरिक्त UTKFace छवियों का उपयोग किया गया, जिन्हें EleGANt के माध्यम से सिंथेटिक मेकअप के साथ बढ़ाया गया था। इससे अंतिम प्रशिक्षण सेट का निर्माण हुआ, जिसमें पांच संदर्भ शैलियों के पार पांच संदर्भ शैलियों के साथ 600 उदाहरण जोड़े गए थे। चूंकि मेकअप हटाने में कई मेकअप शैलियों को एक साफ चेहरे पर मैप करना शामिल है, प्रशिक्षण ने व्यापक सामान्यीकरण पर ध्यान केंद्रित किया, न कि हर संभव सौंदर्य भिन्नता को कवर करने पर।

प्रदर्शन का मूल्यांकन सिंथेटिक और वास्तविक दुनिया की छवियों पर किया गया था। सिंथेटिक परीक्षण में 2,556 फ्लिकर-फेस-एचक्यू डेटासेट (एफएफएचक्यू) छवियों का उपयोग किया गया था, जो नौ आयु समूहों में समान रूप से नमूनाकरण किया गया था, और EleGANt के साथ संशोधित किया गया था।

सामान्यीकरण का आकलन 3,000 छवियों का उपयोग करके किया गया था ब्यूटीफेस और 355 से एलएडीएन, दोनों में वास्तविक मेकअप है।

ब्यूटीफेस डेटासेट के उदाहरण, जो विभिन्न क्षेत्रों को परिभाषित करने वाले सेमांटिक सेगमेंटेशन को दर्शाते हैं। स्रोत: https://li-chongyi.github.io/BeautyREC_files/

मेट्रिक्स और कार्यान्वयन

मेट्रिक्स के लिए, लेखकों ने माध्य абсолют त्रुटि (एमएई) का उपयोग किया था, जो वास्तविक आयु (वास्तविक छवियों के साथ स्थापित वास्तविक आयु) और अनुमानित आयु मूल्यों के बीच था, जहां कम परिणाम बेहतर थे; आयु समूह सटीकता का उपयोग यह मूल्यांकन करने के लिए किया गया था कि क्या अनुमानित आयु सही समूहों में समाप्त हो गई (जिसमें कम परिणाम बेहतर थे); नाबालिग/वयस्क सटीकता का उपयोग 18+ लोगों की सही पहचान करने का मूल्यांकन करने के लिए किया गया था (जिसमें उच्च परिणाम बेहतर था)।

इसके अलावा, हालांकि यह विशेष रूप से विषय पर केंद्रित नहीं है, लेखक पहचान सत्यापन मेट्रिक्स की रिपोर्ट भी देते हैं, जो सच्चे मिलान दर (टीएमआर) और गलत मिलान दर (एफएमआर) के रूप में हैं, साथ ही संबंधित रिसीवर ऑपरेटिंग विशेषता (आरओसी) मानों की अतिरिक्त रिपोर्टिंग।

SSRNet को 64×64px छवियों पर एक बैच आकार के साथ महीने किया गया था, जो एडम ऑप्टिमाइज़र के साथ 1e−4 का वजन क्षय था, साथ ही एक कोसाइन एनीलिंग शेड्यूलर, और 1e−3 की सीखने की दर 200 epochs के साथ, प्रारंभिक रोक के साथ।

इसके विपरीत, DiffClean मॉड्यूल ने 256×256px इनपुट छवियों प्राप्त कीं, और एडम का उपयोग करके पांच महीनों के लिए महीने किया गया, 4e−3 की सीखने की दर के साथ। नमूनाकरण में 40 DDIM इनवर्सन चरण और 6 डीडीआईएम आगे कदम शामिल थे। सभी प्रशिक्षण एक एकल एनवीडिया ए100 जीपीयू (चाहे 40GB या 80GB वीआरएएम के साथ) पर किया गया था।

प्रतिद्वंद्वी प्रणालियों में क्लिप 2 प्रोटेक्ट और पहले उल्लिखित डिफएएम शामिल थे। लेखकों ने क्लिप 2 प्रोटेक्ट में उल्लिखित ‘मैट’ मेकअप शैलियों का उपयोग किया, जो उच्च सफलता दर प्राप्त करने के लिए एक अवसर का मार्ग प्रदान करता है – लेकिन यह एक अलग समय के लिए एक मATTER है।

DiffAM को बेसलाइन के रूप में दोहराने के लिए, ब्यूटीगैन के प्रीट्रेन्ड मॉडल को एमटी डेटासेट पर महीने किया गया था। प्रतिद्वंद्वी मेकअप हस्तांतरण के लिए, डिफएएम से चेकपॉइंट का उपयोग किया गया था, जिसमें लक्ष्य मॉडल, संदर्भ छवि और पहचान के लिए डिफ़ॉल्ट पैरामीटर थे।

DiffClean के प्रदर्शन की तुलना MiVOLO का उपयोग करके आयु अनुमान कार्यों पर बेसलाइन के साथ की गई। रिपोर्ट की गई मेट्रिक्स में नाबालिग/वयस्क वर्गीकरण सटीकता, आयु समूह सटीकता और माध्य абсолют त्रुटि (एमएई) शामिल हैं। क्लिप आयु नुकसान के साथ DiffClean सभी मेट्रिक्स में सर्वोत्तम परिणाम प्राप्त करता है।

इन परिणामों में, लेखकों का कहना है:

‘[हमारा] तरीका DIFFCLEAN दोनों बेसलाइन, क्लिप 2 प्रोटेक्ट और डिफएएम को पार करता है, और मेकअप के कारण बाधित आयु संकेतों को सफलतापूर्वक पुनर्स्थापित कर सकता है, जो कि एमएई (5.71 तक) को कम करता है और समग्र आयु समूह भविष्यवाणी सटीकता (37% तक) में सुधार करता है।’

‘हमारा उद्देश्य नाबालिग आयु समूहों पर केंद्रित था, और परिणाम यह दर्शाते हैं कि हम नाबालिग बनाम वयस्क आयु वर्गीकरण में 88.6% की श्रेष्ठता प्राप्त करते हैं।’

बेसलाइन और प्रस्तावित तरीकों से मेकअप हटाने के परिणाम। बाएं से दाएं कॉलम में स्रोत छवियां, क्लिप 2 प्रोटेक्ट और डिफएएम से आउटपुट, और एसएसआरनेट और क्लिप-आधारित आयु नुकसान के माध्यम से डिफक्लीन के परिणाम दिखाए गए हैं। लेखकों का तर्क है कि डिफक्लीन मेकअप को अधिक प्रभावी ढंग से हटा देता है, क्लिप 2 प्रोटेक्ट में दिखाई देने वाली विशेषता विकृति से बचता है और डिफएएम द्वारा मिस किए गए अवशेष कॉस्मेटिक्स को हटा देता है।

लेखकों ने आगे कहा कि मेकअप का उम्र की धारणा पर एक समान प्रभाव नहीं पड़ता है, बल्कि यह उम्र को बढ़ा सकता है, घटा सकता है या अपरिवर्तित छोड़ सकता है। इसलिए, DiffClean एक ‘कंबल’ आयु में कमी नहीं लागू करता है, बल्कि मेकअप के निशान को हटाकर मूल आयु संकेतों को पुनर्प्राप्त करने का प्रयास करता है:

सेलेबा-एचक्यू और सीएसीडी डेटासेट से मेकअप हटाने के उदाहरण। प्रत्येक कॉलम में एक जोड़ी छवियां दिखाई गई हैं, जो मेकअप हटाने से पहले (बाएं) और बाद में (दाएं) हैं। पहले कॉलम में, अनुमानित आयु मेकअप हटाने के बाद कम हो जाती है; दूसरे में, यह अपरिवर्तित रहता है; और तीसरे में, यह बढ़ जाती है।

नवीनता के लिए DiffClean का परीक्षण करने के लिए, इसे ब्यूटीफेस और एलएडीएन डेटासेट पर चलाया गया, जिनमें वास्तविक मेकअप है, लेकिन कोई जोड़ी छवियां नहीं हैं जिनमें विषय बिना कॉस्मेटिक्स के हों। मेकअप हटाने से पहले और बाद में की गई आयु की भविष्यवाणियों की तुलना करके यह मूल्यांकन किया गया कि कितनी प्रभावी ढंग से DiffClean ने मेकअप द्वारा पेश किए गए विकृति को कम किया:

एलएडीएन (बाएं जोड़ी) और ब्यूटीफेस (दाएं जोड़ी) डेटासेट से वास्तविक दुनिया की छवियों पर मेकअप हटाने के परिणाम। डिफक्लीन द्वारा संसाधित करने से पहले और बाद में अनुमानित आयु को सफेद संख्याओं में दिखाया गया है।

परिणामों से पता चलता है कि DiffClean ने लगातार रूप से स्पष्ट और वास्तविक आयु के बीच के अंतर को कम किया। दोनों डेटासेट में, यह औसतन तीन साल तक अधिक अनुमान और कम अनुमान की त्रुटियों को कम करता है, जो यह सुझाव देता है कि प्रणाली वास्तविक दुनिया की सौंदर्य शैलियों पर सामान्यीकृत होती है।

निष्कर्ष

यह दिलचस्प है, और शायद अपरिहार्य है, कि प्रदर्शनी सौंदर्य मेकअप का उपयोग एक प्रतिकूल तरीके से किया जाएगा। यह देखते हुए कि लड़कियां अलग-अलग दरों पर परिपक्व होती हैं, लेकिन एक समूह के रूप में लगातार तेजी से परिपक्व होती हैं, नाबालिग और वयस्क महिला स्थिति के बीच की सीमा की पहचान करने का कार्य शायद ही शोध दृश्य ने खुद को निर्धारित किया हो।

फिर भी, समय और डेटा अंततः स्थिर आयु से संबंधित संकेतों का पता लगा सकते हैं जो दृश्य उम्र सत्यापन प्रणालियों को आधार बना सकते हैं।

* चूंकि यह विषय भारित भाषा को आमंत्रित करता है, और चूंकि ‘लड़कियां’ एक अपवर्जनवादी शब्द है (जबकि ‘महिलाएं और लड़कियां’, इस संदर्भ में उपयोग की जाने वाली वर्तमान स्वीकार्य शब्दावली महिला लिंग वाले लोगों के लिए नहीं है), मैंने ‘महिलाओं’ को सबसे अच्छा समझौता माना है जो मैं तैयार कर सकता था – हालांकि यह सभी जनसांख्यिकीय बारीकियों को कैप्चर नहीं करता है, जिसके लिए मैं क्षमा चाहता हूं।

^† इस लेख में, मैं ‘प्रदर्शनी’ का अर्थ मेकअप से है जो देखा और मेकअप के रूप में मान्यता प्राप्त करने के लिए इरादा है, जैसे मास्कारा, आईलाइनर, ब्लशर और फाउंडेशन, छिपाने वाली क्रीम और अन्य ‘गुप्त’ प्रकार की सौंदर्य अनुप्रयोगों के विपरीत।

पहली बार शुक्रवार, 18 जुलाई, 2025 को प्रकाशित