एआई टूल मेकअप को हटाकर आयु जांच को बायपास करने से रोकता है

चेहरे की सौंदर्य सामग्री की उपस्थिति आयु जांच पर आधारित स्व-प्रतिबिंब वाले प्लेटफ़ॉर्म जैसे डेटिंग ऐप और ई-कॉमर्स साइटों पर कम उम्र के उपयोगकर्ताओं, ज्यादातर लड़कियों को फिसलने दे रही है। एक नया एआई टूल इस खामी को संबोधित करता है, जो मेकअप को मिटाते हुए पहचान को संरक्षित करते हुए एक विभेदक मॉडल का उपयोग करता है, जिससे कम उम्र के लोगों के लिए स्वचालित प्रणालियों को चकमा देना मुश्किल हो जाता है।

तीसरे पक्ष की स्व-आधारित आयु सत्यापन सेवाओं का उपयोग बढ़ रहा है, जो आयु-आधारित ऑनलाइन सत्यापन की ओर वैश्विक प्रवृत्ति के कारण नहीं है।

उदाहरण के लिए, यूके के ऑनलाइन सुरक्षा अधिनियम द्वारा अब लागू किए गए नए प्रवर्तन शासन में, आयु सत्यापन विभिन्न संभावित विधियों का उपयोग करके तीसरे पक्ष की सेवाओं द्वारा किया जा सकता है, जिनमें दृश्य आयु सत्यापन भी शामिल है, जहां आयु की भविष्यवाणी के लिए एआई का उपयोग किया जाता है (आमतौर पर लाइव मोबाइल कैमरा फुटेज से)। इस तरह के दृष्टिकोण का उपयोग करने वाली सेवाओं में ओन्डाटो, ट्रस्टस्टैम्प और योटी शामिल हैं।

हालांकि, आयु अनुमान अक्षय नहीं है, और किशोरों को वयस्कता के अधिकारों की प्रतीक्षा करने की पारंपरिक निर्धारण का अर्थ है कि युवा लोग डेटिंग साइटों, मंचों और अन्य वातावरण में प्रवेश करने के लिए विभिन्न प्रभावी तरीकों को विकसित कर चुके हैं जो उनके आयु वर्ग पर प्रतिबंध लगाते हैं।

इनमें से एक तरीका, जो सबसे अधिक महिलाओं द्वारा उपयोग किया जाता है, चेहरे की सौंदर्य सामग्री पहनना है – एक रणनीति जो स्वचालित आयु-अनुमान प्रणालियों को चकमा देने के लिए जानी जाती है, जो आमतौर पर युवा लोगों की आयु को अधिक अनुमान लगाती है और वृद्ध लोगों की आयु को कम अनुमान लगाती है।

न केवल लड़कियां

इससे पहले कि विरोध उत्पन्न हो, मेकअप को ‘महिला-केंद्रित’ माना जाए, हमें यह ध्यान रखना होगा कि किसी भी व्यक्ति पर चेहरे की सौंदर्य सामग्री की उपस्थिति लिंग का एक बहुत ही अनिश्चित संकेतक है:

[कैप्शन आईडी=”अटैचमेंट_220523″ अलाइन=”अलाइननोन” चौड़ाई=”1200″] संयुक्त राज्य अमेरिका के शोधकर्ताओं ने ‘फेशियल कॉस्मेटिक्स ऑन ऑटोमैटिक जेंडर एंड एज एस्टीमेशन एल्गोरिदम’ शीर्षक से एक शोध पत्र में पाया कि लिंग सत्यापन प्रणालियां लिंग-विनिमय मेकअप से चकमा खा जाती हैं। स्रोत: https://cse.msu.edu/~rossarun/pubs/ChenCosmeticsGenderAge_VISAPP2014.pdf[/कैप्शन]

2024 में, 18-24 वर्ष की आयु के 72% अमेरिकी पुरुष उपभोक्ता मेकअप को अपने सौंदर्य दिनचर्या में शामिल करने के लिए अनुमानित थे – 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 में लिप्त होने के लिए।

इसलिए, हम इस लेख में अध्ययन की सामग्री को सबसे अधिक अन्वेषित परिदृश्य के साथ जोड़ सकते हैं – महिला नाबालिगों का मेकअप का उपयोग करके स्वचालित दृश्य आयु-सत्यापन प्रणालियों को चकमा देने का प्रयास करना।

प्रभावी मेकअप हटाने – एआई तरीका

उपरोक्त शोध न्यूयॉर्क विश्वविद्यालय के तीन योगदानकर्ताओं से आता है, जो डिफ़क्लीन: डिफ्यूजन-आधारित मेकअप हटाने के लिए सटीक आयु अनुमान नामक एक नए शोध पत्र के रूप में है।

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

[कैप्शन आईडी=”अटैचमेंट_220524″ अलाइन=”अलाइननोन” चौड़ाई=”754″] नए शोध पत्र से, मेकअप हटाने का एक उदाहरण, जो आयु की भविष्यवाणी को काफी बदल सकता है। स्रोत: https://arxiv.org/pdf/2507.13292[/कैप्शन]

इस तरह की प्रणाली विकसित करने की एक चुनौती छवियों को इकट्ठा करने या कम उम्र की लड़कियों को वयस्क मेकअप पहने हुए संकलित करने के आसपास की संभावित संवेदनशीलता है। अंत में, शोधकर्ताओं ने मेकअप शैलियों को कृत्रिम रूप से लागू करने के लिए एक तीसरे पक्ष के जेनरेटिव एडवर्सेरियल नेटवर्क-आधारित प्रणाली का उपयोग किया, जो बहुत प्रभावी साबित हुई:

[कैप्शन आईडी=”अटैचमेंट_220525″ अलाइन=”अलाइननोन” चौड़ाई=”869″] त्सिंगहुआ विश्वविद्यालय की 2022 एलेगेंट प्रणाली जेनरेटिव एडवर्सेरियल नेटवर्क (जीएन) का उपयोग स्रोत फोटो पर सौंदर्य सामग्री को प्रमाणिक रूप से लगाने के लिए करती है। स्रोत: https://arxiv.org/pdf/2207.09840[/कैप्शन]

इस तरह से प्राप्त सिंथेटिक डेटा के साथ, और विभिन्न सहायक परियोजनाओं और डेटासेट की मदद से, लेखकों ने मेकअप का सामना करने वाले आयु-अनुमान में राज्य-कला विधियों को पार कर लिया।

शोध पत्र में कहा गया है:

‘डिफ़क्लीन मेकअप के निशान को हटाने के लिए एक पाठ-निर्देशित डिफ्यूजन मॉडल का उपयोग करता है ताकि मेकअप हमलों का बचाव किया जा सके। [यह] आयु अनुमान (नाबालिग बनाम वयस्क सटीकता 4.8% से) और चेहरे की सत्यापन (टीएमआर 8.9% से एफएमआर = 0.01% पर) में सुधार करता है प्रतिस्पर्धी बेसलाइन पर डिजिटल रूप से अनुकरणित और वास्तविक मेकअप छवियों पर।’

आइए देखें कि उन्होंने इस कार्य को कैसे किया।

विधि

वास्तविक छवियों को सोर्स करने से बचने के लिए, लेखकों ने यूटीकेफेस डेटासेट से सोर्स की गई छवियों पर एलेगेंट का उपयोग करके सिंथेटिक मेकअप लागू किया, जिससे प्रशिक्षण के लिए पहले और बाद के जोड़े बनाए गए।

[कैप्शन आईडी=”अटैचमेंट_220526″ अलाइन=”अलाइननोन” चौड़ाई=”808″] यूटीकेफेस डेटासेट के उदाहरण। स्रोत: https://susanqq.github.io/UTKFace/[/कैप्शन]

डिफ़क्लीन को इसके बाद इस परिवर्तन को उलटने के लिए प्रशिक्षित किया गया था। चूंकि आयु-अनुमान एल्गोरिदम छोटी आयु वर्गों के साथ सबसे अधिक त्रुटिपूर्ण होते हैं, शोधकर्ताओं ने लक्ष्य आयु (10-19 वर्ष) पर महीन-ट्यून किए गए एक प्रॉक्सी आयु वर्गीकारक विकसित करने की आवश्यकता पाई। इस उद्देश्य के लिए उन्होंने यूटीकेफेस पर प्रशिक्षित एसएसआरनेट आर्किटेक्चर का उपयोग किया, जिसमें एक भारित एल1 नुकसान था।

एक डिफ़क्लीन के एक संस्करण ने इसके बजाय एक सीएलआईपी-आधारित आयु प्रॉम्प्ट का उपयोग किया, जिसने मॉडल को एक विशिष्ट आयु की उपस्थिति से मेल खाने के लिए प्रेरित किया।

आयु अनुमान के लिए अनुमान समय (प्रशिक्षण समय के दौरान एसएसआरनेट के उपयोग के विपरीत), 2023 मिवोलो फ्रेमवर्क का उपयोग किया गया था।

डेटा और परीक्षण

एसएसआरनेट के यूटीकेफेस पर महीन-ट्यूनिंग में 15,364 छवियों का प्रशिक्षण सेट और 6,701 छवियों का परीक्षण सेट शामिल था। मूल 20,000 छवियों को 70 वर्ष से अधिक आयु के व्यक्तियों को हटाने के लिए फिल्टर किया गया था, और फिर 70:30 के अनुपात में विभाजित किया गया था।

2023 डिफ़एएम परियोजना द्वारा स्थापित पिछले विधि के अनुसार, प्रशिक्षण दो चरणों में हुआ, 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।

मॉडल को फिर 300 अतिरिक्त यूटीकेफेस छवियों का उपयोग करके परिष्कृत किया गया था, जिन्हें एलेगेंट के माध्यम से सिंथेटिक मेकअप के साथ बढ़ाया गया था। यह एक अंतिम प्रशिक्षण सेट बनाता है जिसमें पांच संदर्भ शैलियों के साथ 600 उदाहरण जोड़े हुए हैं।

प्रदर्शन का मूल्यांकन सिंथेटिक और वास्तविक दुनिया की छवियों पर किया गया था। सिंथेटिक परीक्षण में 2,556 फ़्लिकर-फ़ेस-एचक्यू (एफएफएचक्यू) डेटासेट की छवियों का उपयोग किया गया था, जो 70 वर्ष से कम आयु के नौ आयु समूहों में समान रूप से नमूनाकृत किया गया था, और एलेगेंट के साथ संशोधित किया गया था।

सामान्यीकरण का आकलन 3,000 छवियों का उपयोग करके किया गया था जो ब्यूटीफ़ेस से थीं और 355 छवियां जो एलएडीएन से थीं, जिनमें से दोनों में वास्तविक मेकअप थीं।

[कैप्शन आईडी=”अटैचमेंट_220529″ अलाइन=”अलाइननोन” चौड़ाई=”850″] ब्यूटीफ़ेस डेटासेट के उदाहरण, जो विभिन्न क्षेत्रों को परिभाषित करने वाले सेमेंटिक सेगमेंटेशन को दर्शाते हैं। स्रोत: https://li-chongyi.github.io/BeautyREC_files/[/कैप्शन]

मेट्रिक्स और कार्यान्वयन

मेट्रिक्स के लिए, लेखकों ने मीन एब्सोल्यूट एरर (एमएई) का उपयोग किया था, जो वास्तविक आयु और अनुमानित आयु मानों 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 थी (जिसमें कम परिणाम बेहतर थे); नाबालिग/वयस्क सटीकता का उपयोग 18+ लोगों की सही पहचान का मूल्यांकन करने के लिए किया गया था (जिसमें उच्च परिणाम बेहतर थे)।

इसके अलावा, हालांकि यह विशेष रूप से इस विषय पर केंद्रित नहीं है, लेखक पहचान सत्यापन मेट्रिक्स के रूप में सच्चे मैच दर (टीएमआर) और झूठे मैच दर (एफएमआर) की रिपोर्ट करते हैं, साथ ही संबंधित रिसीवर ऑपरेटिंग कर्व (आरओसी) मानों की रिपोर्ट करते हैं।

एसएसआरनेट को 64×64px छवियों पर एक बैच आकार 50 के साथ एडम ऑप्टिमाइज़र के साथ महीन-ट्यून किया गया था, जिसमें 1e−4 का वजन घटाने और एक कोसाइन एनीलिंग शेड्यूलर था, और 200 एपोच पर 1e−3 की लर्निंग दर के साथ, साथ ही एक आर्ली स्टॉपिंग था।

इसके विपरीत, डिफ़क्लीन मॉड्यूल ने 256×256px इनपुट छवियों को प्राप्त किया, और पांच एपोच के लिए एडम का उपयोग करके महीन-ट्यून किया गया था, जिसमें 4e−3 की एक अधिक मोटी लर्निंग दर थी। नमूनाकरण में 40 डीडीआईएम इनवर्सन चरण और 6 डीडीआईएम आगे के चरण शामिल थे। सभी प्रशिक्षण एक एकल एनवीडिया ए100 जीपीयू (चाहे 40GB या 80GB वीआरएएम के साथ) पर किया गया था।

प्रतिद्वंद्वी प्रणालियों में सीएलआईपी2प्रोटेक्ट और पहले उल्लिखित डिफ़एएम शामिल थे। लेखकों ने ‘मैट’ मेकअप शैलियों का उपयोग किया था, जो सीएलआईपी2प्रोटेक्ट में एक उच्च सफलता दर प्राप्त करने के लिए उल्लेख किया गया था (संभावित रूप से उन लोगों के लिए एक अवसर का मार्ग प्रदान करता है जो इस दृष्टिकोण को हराना चाहते हैं – लेकिन यह एक अन्य समय के लिए एक मामला है)।

डिफ़एएम को एक बेसलाइन के रूप में दोहराने के लिए, ब्यूटीगैन से प्रीट्रेन्ड मॉडल को एमटी डेटासेट पर महीन-ट्यून किया गया था। विरोधी मेकअप ट्रांसफर के लिए, डिफ़एएम के चेकपॉइंट का उपयोग टार्गेट मॉडल, रेफरेंस इमेज, और पहचान के लिए डिफ़ॉल्ट पैरामीटर के साथ किया गया था।

[कैप्शन आईडी=”अटैचमेंट_220530″ अलाइन=”अलाइननोन” चौड़ाई=”930″] मिवोलो का उपयोग करके आयु अनुमान कार्यों पर डिफ़क्लीन के प्रदर्शन की तुलना बेसलाइन के साथ की गई। रिपोर्ट किए गए मेट्रिक्स माइनर/वयस्क वर्गीकरण सटीकता, आयु समूह सटीकता, और मीन एब्सोल्यूट एरर (एमएई) हैं। डिफ़क्लीन सीएलआईपी आयु नुकसान के साथ सबसे अच्छे परिणाम प्राप्त करता है।[/कैप्शन]

इन परिणामों में, लेखक कहते हैं:

‘हमारी विधि डिफ़क्लीन दोनों बेसलाइन, सीएलआईपी2प्रोटेक्ट और डिफ़एएम को पार करती है, और मेकअप के कारण आयु संकेतों को सफलतापूर्वक पुनर्स्थापित कर सकती है जो मेकअप के कारण बाधित हो गए थे, एमएई (5.71 तक) को कम करके और समग्र आयु समूह की भविष्यवाणी सटीकता (37% तक) में सुधार करके। ‘

‘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। ‘

[कैप्शन आईडी=”अटैचमेंट_220531″ अलाइन=”अलाइननोन” चौड़ाई=”917″] बेसलाइन और प्रस्तावित विधियों से मेकअप हटाने के परिणाम। बाएं से दाएं, स्रोत छवि, सीएलआईपी2प्रोटेक्ट और डिफ़एएम के परिणाम, और डिफ़क्लीन के परिणाम दिखाए गए हैं। लेखकों का तर्क है कि डिफ़क्लीन मेकअप को अधिक प्रभावी ढंग से हटा देता है, सीएलआईपी2प्रोटेक्ट में दिखाई देने वाली विशेषता विकृति से बचता है, और डिफ़एएम द्वारा छोड़े गए शेष सौंदर्य सामग्री को हटा देता है।[/कैप्शन]

लेखक आगे कहते हैं कि मेकअप आयु की धारणा पर एक समान प्रभाव नहीं डालता है, बल्कि यह आयु को बढ़ा सकता है, घटा सकता है, या आयु को अपरिवर्तित छोड़ सकता है। इसलिए, डिफ़क्लीन एक ‘खाली कमी’ नहीं लागू करता है, बल्कि मेकअप के निशान को हटाकर मूल आयु संकेतों को पुनर्स्थापित करने का प्रयास करता है:

[कैप्शन आईडी=”अटैचमेंट_220533″ अलाइन=”अलाइननोन” चौड़ाई=”920″] सेलेबा-एचक्यू और सीएसीडी डेटासेट से मेकअप हटाने के उदाहरण। प्रत्येक कॉलम में मेकअप हटाने से पहले और बाद की जोड़ी दिखाई देती है। पहले कॉलम में, अनुमानित आयु मेकअप हटाने के बाद कम हो जाती है; दूसरे में, यह अपरिवर्तित रहती है; और तीसरे में, यह बढ़ जाती है।[/कैप्शन]

डिफ़क्लीन का प्रदर्शन कितनी अच्छी तरह से नए डेटा पर काम करता है, इसका परीक्षण करने के लिए, इसे ब्यूटीफ़ेस और एलएडीएन डेटासेट पर चलाया गया था, जिनमें वास्तविक मेकअप था, लेकिन कोई जोड़ी छवियां नहीं थीं जिनमें同 एक ही विषय के बिना मेकअप थीं। मेकअप हटाने से पहले और बाद में की गई आयु की भविष्यवाणियों की तुलना की गई, ताकि यह मूल्यांकन किया जा सके कि डिफ़क्लीन मेकअप द्वारा पेश किए गए विकृति को कितनी अच्छी तरह से कम कर सकता है:

[कैप्शन आईडी=”अटैचमेंट_220534″ अलाइन=”अलाइननोन” चौड़ाई=”1200″] एलएडीएन (बाएं जोड़ी) और ब्यूटीफ़ेस (दाएं जोड़ी) डेटासेट से वास्तविक दुनिया की छवियों पर मेकअप हटाने के परिणाम। डिफ़क्लीन मेकअप को हटाकर अनुमानित आयु को वास्तविक आयु के करीब लाता है। सफेद संख्याएं मेकअप हटाने से पहले और बाद की अनुमानित आयु को दर्शाती हैं।[/कैप्शन]

निष्कर्ष

यह दिलचस्प है, और शायद अपरिहार्य है, कि प्रदर्शनी सौंदर्य सामग्री का उपयोग एक विरोधी तरीके से किया जाएगा। यह देखते हुए कि लड़कियां अलग-अलग दरों पर परिपक्व होती हैं, लेकिन समूह के रूप में वयस्कता के अधिकारों की प्रतीक्षा करने की पारंपरिक निर्धारण के कारण लगातार तेजी से परिपक्व होती हैं, नाबालिग और वयस्क महिला स्थिति के बीच के अंतर की पहचान करने का कार्य शायद ही शोध दृश्य ने खुद को निर्धारित किया है।

फिर भी, समय और डेटा अंततः आयु से संबंधित सुसंगत संकेतों का निर्धारण कर सकते हैं जिन्हें दृश्य आयु-सत्यापन प्रणालियों को आधार बनाने के लिए उपयोग किया जा सकता है।

* चूंकि यह विषय भारित भाषा को आमंत्रित करता है, और चूंकि ‘लड़कियां’ एक बहिष्करण है (जबकि ‘महिलाएं और लड़कियां’, वर्तमान में स्वीकार्य शब्द महिला-लिंग वाले लोगों के लिए, इस मामले में सटीक विवरण नहीं है), मैं ‘महिलाओं’ के रूप में समझौता करने के लिए डिफ़ॉल्ट हो गया हूं – हालांकि यह सभी जनसांख्यिकीय बारीकियों को पकड़ नहीं पाता है, जिसके लिए मैं क्षमा चाहता हूं।

^† इस लेख में, मैं ‘प्रदर्शनी’ का उपयोग उन मेकअप को इंगित करने के लिए करता हूं जो देखा और मेकअप के रूप में पहचाना जाना है, जैसे कि मास्कारा, आईलाइनर, ब्लश और फाउंडेशन, छिपाने वाली क्रीम और अन्य ‘गुप्त’ प्रकार की सौंदर्य अनुप्रयोगों के विपरीत।

पहली बार शुक्रवार, 18 जुलाई, 2025 को प्रकाशित