AI 도구가 메이크업을 제거하여 미성년자들이 연령 검사를 우회하는 것을 막는다

면部 화장의 외관은 주로 여성인 미성년자들이 셀피 기반의 연령 검사를 통과하는 것을 허용합니다. 새로운 AI 도구는 이러한 허점을 해결하기 위해 메이크업을 제거하는 방식으로 개발되었습니다. 이 도구는 메이크업을 제거하고 정체성을 유지하는 것을 목표로 하는 차별 모델을 사용합니다.

제3자 셀피 기반 연령 검증 서비스의 사용은 증가하고 있습니다. 이는 온라인 연령 기반 검증을 위한 일반적인 글로벌 추세 때문입니다.

예를 들어, 영국의 온라인 안전법은 이제 제3자 서비스를 사용하여 연령 검증을 수행할 수 있도록 허용합니다. 이러한 서비스에는 Ondato, TrustStamp, Yoti 등이 있습니다.

그러나 연령 추정은 완벽하지 않습니다. 청소년들은 성인으로 보이기 위해 다양한 방법을 개발했습니다.

이 중 하나는 메이크업을 사용하는 것입니다. 이는 자동화된 연령 추정 시스템을 속일 수 있는 방법입니다.

그저 여자들만이 아니다

메이크업을女性 중심으로 생각하는 것에 대한 반발이 있을 수 있지만, 우리는 면部 화장의 존재가 매우 불안정한 성별 지표라는 것을 명심해야 합니다.

미국 연구자들은 ‘자동 성별 및 연령 추정 알고리즘에 대한 면部 화장의 영향’이라는 논문에서 성별 검증 시스템이 성별을 바꾸는 메이크업에 속았다는 것을 발견했습니다. 출처: https://cse.msu.edu/~rossarun/pubs/ChenCosmeticsGenderAge_VISAPP2014.pdf

2024년, 18세에서 24세 사이의 미국 남성 소비자의 72%가 메이크업을 사용하는 것으로 추정되었습니다. 그러나 대부분의 남성은 건강한 피부를 보이기 위해 화장품을 사용했습니다.

따라서 우리는 이 논문에서 연구된 자료를 가장 일반적인 시나리오인 여성 미성년자들이 자동화된 시각적 연령 검증 시스템을 우회하는 방법으로 메이크업을 사용하는 경우로 취급합니다.

메이크업 제거 – AI 방식

위에서 언급한 연구는 뉴욕 대학교의 세 명의 기여자에 의해 수행되었습니다. 이 연구는 DiffClean이라는 새로운 논문을 통해 수행되었습니다.

이 프로젝트의 목적은 이미지에서 메이크업의 외관을 제거하여 사람의 실제 연령을 더 잘 파악하는 AI 기반 방법을 개발하는 것입니다.

새로운 논문에서 메이크업 제거의 예입니다. 출처: https://arxiv.org/pdf/2507.13292

이 시스템을 개발하는 데에는 몇 가지 도전이 있었습니다. 예를 들어, 미성년자 소녀들의 메이크업을 가진 이미지의 수집이나 큐레이션이 필요했습니다.

연구자들은 EleGANt라는 제3자 생성적 적대적 네트워크 기반 시스템을 사용하여 메이크업 스타일을 인공적으로 적용했습니다. 이 기술은 매우 효과적이었습니다.

청화 대학의 2022년 EleGANt 시스템은 생성적 적대적 네트워크를 사용하여 소스 사진에 화장품을 실제적으로 올립니다. 출처: https://arxiv.org/pdf/2207.09840

이러한 합성 데이터와 다양한 프로젝트 및 데이터셋의 도움으로 연구자들은 메이크업이 있는 경우 연령 추정에서 최고의 성과를 달성했습니다.

논문은 다음과 같이 말합니다.

‘DiffClean은 텍스트 가이드 확산 모델을 사용하여 메이크업 흔적을 제거하고 메이크업 공격에 대응합니다. 이는 연령 추정(소아/성인 정확도 4.8% 향상)과 얼굴 검증(진짜 일치 비율 8.9% 향상, 가짜 일치 비율 0.01%)을 기준선보다 높게 cải thiện합니다.’

방법

연구자들은 실제 미성년자들의 메이크업을 가진 이미지의 수집을 피하기 위해 EleGANt를 사용하여 UTKFace 데이터셋의 이미지에 합성 메이크업을 적용했습니다.

UTKFace 데이터셋의 예입니다. 출처: https://susanqq.github.io/UTKFace/

DiffClean은 이 변환을 역으로 수행하도록 훈련되었습니다. 연령 추정 알고리즘이 가장 잘못된 경우는 젊은 연령 그룹에서 발생하므로 연구자들은 10세에서 19세 사이의 연령을 대상으로 하는 프록시 연령 분류기를 개발해야 했습니다.

이들은 SSRNet 아키텍처를 사용하여 UTKFace 데이터셋을 훈련시켰습니다. 가중된 L1 손실을 사용하여 픽셀 수준의 현실성을 강제하고 원본 이미지의 전체적인 외관을 유지했습니다.

데이터 및 테스트

UTKFace 데이터셋은 15,364개의 이미지로 구성되었습니다. 테스트 세트는 6,701개의 이미지로 구성되었습니다. 원본 20,000개의 이미지 중 70세 이상의 사람은 제거되었습니다.

DiffClean의 성능은 MiVOLO 프레임워크를 사용하여 평가되었습니다. 메트릭으로는 평균 절대 오차(MAE), 연령 그룹 정확도, 소아/성인 분류 정확도가 사용되었습니다.

결과는 다음과 같습니다.

‘DiffClean은 기준선인 CLIP2Protect와 DiffAM을 능가하며 메이크업으로 인해 방해받은 연령 신호를 성공적으로 복원할 수 있습니다. 이는 MAE를 5.71로 낮추고 연령 그룹 예측 정확도를 37%로 향상시킵니다.’

메트릭 및 구현

메트릭으로는 평균 절대 오차(MAE), 연령 그룹 정확도, 소아/성인 분류 정확도가 사용되었습니다.

SSRNet은 64×64px 이미지에서 배치 크기 50으로 Adam 옵티마이저와 함께 훈련되었습니다. DiffClean은 256×256px 입력 이미지에서 5 에포크 동안 Adam 옵티마이저와 함께 훈련되었습니다.

결론

연령 검증 시스템은 미성년자들이 성인으로 보이기 위해 메이크업을 사용하는 것을 방지하기 위해 개발되었습니다. DiffClean은 이러한 허점을 해결하기 위해 개발된 AI 기반 도구입니다.

이 도구는 메이크업의 외관을 제거하고 정체성을 유지하는 것을 목표로 하는 차별 모델을 사용합니다. 연구자들은 DiffClean이 메이크업으로 인해 방해받은 연령 신호를 성공적으로 복원할 수 있다고 주장합니다.

이 연구는 연령 검증 시스템의 허점을 해결하기 위한 중요한 단계입니다. 그러나 미성년자들이 성인으로 보이기 위해 메이크업을 사용하는 것은 복잡한 문제입니다. 연령 검증 시스템은 이러한 허점을 해결하기 위해 지속적으로 개발되어야 합니다.

* 이 주제는 감정적인 언어를 초래할 수 있으므로, ‘여자’는 제외적이므로(현재 허용되는 용어는 ‘여자와 소녀’이지만 이 경우에는 정확한 설명이 아닙니다), 나는 ‘여자’를 가장好的妥協안으로 기본으로 사용했습니다. 그러나 이는 모든 인구 통계적 세부 사항을 포착하지 못할 수 있습니다. 이를 위해 사과드립니다.

^† 이 논문에서 나는 ‘수행’을 메이크업이 보이는 것과 인식되는 것을 의미하는 것으로 사용합니다. 예를 들어, 마스카라, 아이라이너, 블러셔, 파운데이션 등이 있습니다. 이는 은닉 크림이나 다른 종류의 화장품과는 반대됩니다.

최초로 게시된 날: 2025년 7월 18일