Pengejaran Kecantikan AI

Sistem penilaian kecantikan yang digerakkan oleh AI menilai seberapa menarik wajah tampak, sementara pelatihan lebih cepat daripada model pembelajaran dalam yang biasa, sehingga membuat skoring kecantikan otomatis besar-besaran lebih praktis.

Prediksi Kecantikan Wajah (FBP) adalah bisnis besar, dan merupakan salah satu topik penelitian yang kuat. Meskipun melanggar hampir semua prinsip dalam mengatasi bias dalam AI dan praktik pembelajaran mesin, dan meskipun dalam banyak hal mendukung objektivasi dan reduksionisme dalam persepsi algoritmik terhadap wanita, namun menarik perhatian beberapa industri miliaran dolar, sebagian besar di antaranya ditujukan langsung kepada wanita, seperti kosmetik, bedah wajah kosmetik, livestreaming, dan fashion, di antara lainnya:

Wanita dinilai dari 1-5, dari makalah ‘Asian Female Facial Beauty Prediction Using Deep Neural Networks via Transfer Learning and Multi-Channel Feature Fusion’. Sumber

Di luar enclave bisnis yang jelas berfokus pada wanita, periklanan dan beberapa industri lain, termasuk hiburan dan penerbitan, memiliki taruhan yang signifikan dalam memahami apa yang dianggap ‘menarik’ oleh pria dan wanita, secara perbudaya.

Fakta bahwa persepsi kecantikan agregat bervariasi di seluruh wilayah berarti bahwa tidak ada dataset global yang dapat diperoleh, dan bahwa penelitian baru harus tetap setempat, atau berkonsentrasi pada metode ‘tingkat tinggi’ yang dapat diterapkan di seluruh data budaya yang beragam.

Antarmuka untuk sistem penilaian kecantikan wajah untuk proyek SCUT-FBP 2015. Sumber

Seringkali, lokasi geografis bukan satu-satunya batasan, karena dataset yang berfokus pada kecantikan mungkin mengalami kesulitan dalam menyediakan efikasi yang sama di seluruh jenis kelamin, atau mungkin telah dikurasi dengan aplikasi tertentu dalam pikiran – dan ini dapat membatasi penggunaan koleksi dalam domain lain.

Misalnya, pada tahun 2025 saya melaporkan tentang pengembangan dataset skala besar (100.000+ identitas) untuk menilai kecantikan dalam livestreaming, yang mungkin memerlukan adaptasi yang signifikan untuk proyek yang lebih luas, meskipun upaya besar di balik inisiatif tersebut.

Penampilan Wajah

Seperti yang dapat dilihat dari tautan dan gambar di atas, lembaga penelitian Asia sering tidak beroperasi di bawah batasan budaya yang sama seperti rekan-rekan Barat mereka, yang akan sulit untuk menerbitkan ilustrasi ilmiah yang menilai lima wanita Barat dari yang paling tidak menarik hingga yang paling menarik, seperti yang kita lihat dalam penelitian tersebut.

Bisa dibilang bahwa di mana sistem Asia yang seperti ini terbukti efektif di masyarakat, tanpa takut akan sensor lokal, kepentingan Barat dapat menggunakan atau mengadaptasi penelitian tersebut ke dalam implementasi privat, tanpa kritik.

Apakah ini umum atau apakah sistem Barat setara yang kurang dipublikasikan cenderung dikembangkan jauh dari kolaborasi sumber terbuka dan dari pengawasan publik, masuk akal untuk menganggap bahwa tujuan target adalah bermanfaat bagi sektor profesional yang besar, karena banyak sektor yang dapat atau bisa mendapat manfaat dari penilaian kecantikan yang akurat.

Survival of the Fittest

Mungkin tampak bahwa korpus web yang dapat diakses seperti Tik Tok, Instagram, dan YouTube akan menjadi penentu kecantikan yang sangat baik, dengan menghubungkan pengikut, suka, dan lalu lintas ke kecantikan, karena ini adalah asosiasi yang umum dan masuk akal (meskipun dengan beberapa pengecualian).

Demikian pula, koleksi yang ada – seperti ImageNet dan LAION – yang menampilkan aktor dan model yang telah ‘naik ke atas’ – biasanya menampilkan individu yang menarik (meskipun sering dengan terlalu banyak titik data dari beberapa orang), sehingga memungkinkan mekanisme budaya yang lebih luas untuk bertindak sebagai proksi untuk kecantikan.

Namun, ini tidak memperhitungkan perubahan selera dalam apa yang dianggap menarik dari waktu ke waktu (apalagi secara geografis). Oleh karena itu, lagi, sistem yang tinggi dan tidak bergantung pada data diperlukan, bukan koleksi atau kurasi individu yang akan gagal memantulkan selera yang berubah.

Kulit Kombinasi

Publikasi akademis terbaru untuk menangani tantangan ini berasal dari Cina, di mana pembelajaran transfer dan Sistem Pembelajaran Luas (BLS) digabungkan untuk mengatasi trade-off lama antara akurasi dan biaya komputasi.

Jaringan saraf konvensional cenderung mencapai hasil yang kuat hanya dengan pelatihan yang berat, sementara sistem yang lebih ringan seperti BLS dilatih dengan cepat, tetapi mengalami kesulitan dalam menangkap detail yang cukup. Pekerjaan baru ini menjembatani kesenjangan ini dengan menggunakan model visual pra-dilatih untuk mengekstrak fitur wajah, yang kemudian diberikan kepada sistem BLS yang cepat untuk penilaian, sehingga memungkinkan fitur untuk digunakan kembali daripada dipelajari dari awal, sambil menjaga pelatihan tetap efisien:

Gambar contoh dari dataset LSAFBD, menampilkan wajah wanita yang dikelompokkan berdasarkan skor kecantikan yang diberikan oleh manusia dari 1 hingga 5. Peringkat diperoleh dari beberapa annotator, dan digunakan sebagai label pengawasan untuk melatih dan mengevaluasi model prediksi kecantikan wajah di seluruh variasi pose, pencahayaan, dan penampilan. Sumber

Variasi pertama yang diperkenalkan dalam pekerjaan ini (E-BLS, lihat di bawah), memberikan fitur yang diekstrak langsung ke dalam sistem yang ringan, sementara yang kedua, ER-BLS (juga lihat di bawah), menambahkan tahap pemrosesan sederhana di antara ekstraktor fitur EfficientNet dan BLS, dengan tujuan untuk meningkatkan bagaimana fitur yang diekstrak disiapkan sebelum digunakan untuk prediksi:

Uji coba yang dilakukan oleh penulis membuktikan, mereka klaim, bahwa pendekatan mereka lebih unggul daripada metode lain, dan metode lain yang setara.

Makalah baru ini berjudul Prediksi Kecantikan Wajah dengan Menggabungkan Pembelajaran Transfer dan Sistem Pembelajaran Luas, dan berasal dari enam peneliti di Universitas Wuyi, Jiangmen.

Metode

Sistem Pembelajaran Luas yang disebutkan sebelumnya adalah alternatif ringan untuk jaringan saraf dalam, yang melewati tumpukan beberapa lapisan, dan sebagai gantinya, menyebarkan pembelajaran di seluruh koneksi yang lebih sederhana, sehingga memungkinkan model untuk dilatih dengan cepat – tetapi biasanya dengan mengorbankan detail visual yang lebih halus.

Variasi pertama, E-BLS, menggabungkan EfficientNet-based pembelajaran transfer dengan BLS, mengekstrak fitur visual yang rinci dari wajah, dan kemudian memberikannya kepada BLS, yang melibatkan prediksi akhir yang menghindari kebutuhan untuk melatih jaringan saraf dalam yang lengkap dari awal:

Skema arsitektur untuk model E-BLS.

EfficientNet, pra-dilatih pada ImageNet-1k, dan sebagian besar tetap tidak berubah, mengubah setiap gambar input menjadi himpunan nilai fitur yang menggambarkan wajah dengan cara yang terstruktur, sementara BLS mengambil nilai-nilai tersebut dan memprosesnya melalui jaringan node sederhana yang terhubung secara acak yang mengubah dan menggabungkan informasi, sebelum menghasilkan skor kecantikan akhir.

Karena BLS tidak bergantung pada struktur lapisan yang dalam, E-BLS dapat diperbarui dengan menambahkan node tambahan, bukan dengan melatih kembali seluruh sistem. Ini menjaga pelatihan tetap cepat, dan membuatnya lebih mudah untuk meningkatkan model saat data baru diperkenalkan.

Variasi kedua, ER-BLS, membangun atas E-BLS dengan menyisipkan tahap pemrosesan tambahan di antara ekstraktor fitur EfficientNet dan BLS, dengan tujuan untuk meningkatkan bagaimana fitur yang diekstrak disiapkan sebelum digunakan untuk prediksi:

Arsitektur model ER-BLS.

Fitur yang diperhalus kemudian diberikan kepada struktur BLS yang sama yang digunakan dalam E-BLS, di mana node fitur dan node penguatan mengubah dan menggabungkan informasi untuk menghasilkan skor kecantikan akhir.

Data dan Pengujian

Untuk menguji pendekatan mereka, penulis menggunakan dataset SCUT-FBP5500, sebuah koleksi prediksi kecantikan wajah dari Universitas Cina Selatan, yang berisi 5.500 gambar wajah depan dengan resolusi 350x350px, menampilkan berbagai ras, jenis kelamin, dan usia:

Gambar contoh dari dataset SCUT-FBP5500, menampilkan wajah yang dinilai dari yang paling tidak menarik (1) hingga yang paling menarik (5).

Setiap gambar dinilai dengan skor kecantikan oleh 60 relawan, pada skala 1-5, yang berkisar dari sangat tidak menarik (1) hingga sangat menarik (5):

Pembagian proporsi gambar berdasarkan peringkat kecantikan.

Dataset lain yang digunakan adalah Large-Scale Asian Female Beauty Dataset (LSAFBD), sebuah koleksi yang dikurasi oleh penulis sendiri.

Gambar contoh dari dataset LSAFBD, menampilkan wajah yang dinilai dari yang paling tidak menarik (1) hingga yang paling menarik (5).

Koleksi ini terdiri dari 80.000 gambar yang tidak berlabel dengan resolusi 144x144px, dengan variasi pose dan latar belakang, serta usia. Gambar-gambar ini dinilai oleh 75 relawan untuk kriteria yang sama dengan dataset sebelumnya, kali ini pada skala 0-4:

Pembagian untuk dataset LSAFBD.

Setiap dataset dibagi menjadi segmen pelatihan dan pengujian dengan rasio 8/20, dan validasi silang digunakan untuk menstabilkan hasil di seluruh jalur. Komponen BLS dikonfigurasi melalui jumlah jendela fitur; jumlah node per jendela; dan jumlah node penguatan, dengan Hyperopt digunakan untuk mencari kombinasi yang efektif.

Untuk menetapkan baseline, model BLS standar dilatih di bawah pengaturan yang sama, setelah itu beberapa model pembelajaran transfer diperkenalkan, termasuk ResNet50, Inception-V3, DenseNet121, InceptionResNetV2, EfficientNetB7, MobileNetV2, NASNet, dan Xception – semua diinisialisasi dengan bobot ImageNet-1k, dan dilatih dengan lapisan akhir tidak dibekukan.

Pelatihan menggunakan laju pembelajaran 0,001 (dikurangi saat kemajuan terhenti), dan ukuran batch 16, di seluruh 50 epoch, dengan regulasi dan aktivasi linear yang diperbaiki (ReLU) diterapkan di seluruh.

Kinerja dievaluasi menggunakan akurasi dan korelasi Pearson, bersama dengan waktu pelatihan total, dengan hasil dirata-rata di seluruh lima jalur.

Penulis melaporkan pengaturan pelatihan sebagai CPU Intel-i7 3,6 GHz dan 64GB RAM pada ‘komputer desktop’:

Perbandingan kinerja pada SCUT-FBP5500, di mana E-BLS dan ER-BLS mencapai akurasi yang kompetitif melawan model CNN dalam, termasuk ResNet50, EfficientNetB7, InceptionV3, dan Xception, sambil memerlukan waktu pelatihan yang jauh lebih singkat – menyoroti keuntungan efisiensi dari menggabungkan pembelajaran transfer dengan Sistem Pembelajaran Luas.

Hasil menunjukkan bahwa E-BLS meningkatkan akurasi dari 65,85% menjadi 73,13%, sementara ER-BLS mencapai 74,69%, melebihi semua model yang dibandingkan. Waktu pelatihan tetap jauh lebih rendah daripada model CNN dalam, sekitar 1.300 detik, dibandingkan dengan beberapa ribu hingga lebih dari 25.000 detik.

Untuk pengujian pada LSAFBD, hasil menunjukkan bahwa E-BLS meningkatkan akurasi daripada BLS biasa, sementara ER-BLS mencapai akurasi tertinggi di antara semua metode yang dibandingkan:

Kinerja pada LSAFBD, di mana ER-BLS dan E-BLS mencapai akurasi yang lebih tinggi daripada model baseline dan model pembelajaran transfer, sambil hanya memerlukan sebagian kecil dari waktu pelatihan mereka, menunjukkan keuntungan konsisten dalam efisiensi tanpa mengorbankan kualitas prediksi.

Kedua varian tersebut mempertahankan waktu pelatihan yang jauh lebih rendah daripada model CNN dalam, menunjukkan keseimbangan yang lebih efisien antara kinerja dan biaya komputasi.

Kesimpulan

Ini adalah publikasi ‘throwback’ sedikit, karena menggunakan favorit pra-boom seperti CNN, dan dengan menggunakan peralatan pelatihan tingkat terendah yang pernah saya temui dalam makalah baru selama beberapa tahun.

Namun, ini menangani tujuan yang cukup tangguh dalam penglihatan komputer; salah satu yang sangat terkait dengan pengalaman manusia dan interpretasi subjektif, dan yang memerlukan skema yang melampaui tren estetika saat ini, dan dapat menyediakan pipeline yang benar-benar tangguh untuk tugas tersebut.

Dipublikasikan pertama kali pada hari Kamis, 19 Maret 2026