AI의 미의 추구

새로운 AI 기반 미평가 시스템은 얼굴의 매력을 평가하며, 일반적인 深層 학습 모델보다 빠르게 훈련되어 대규모 자동 미평가를 더 실용적으로 만들 수 있습니다.

얼굴 미 예측 (FBP)은 큰 비즈니스이며, 연구 문헌에서 비교적 강한 가닥입니다. AI 및 기계 학습 관행에서 편향을 극복하는 모든 규칙을 사실상 깨뜨리며, 알고리즘적 인식에서 여성의 객관화 및還原主義를 지원하는에도 불구하고, 여러 대형 산업의 관심을 끌고 있습니다. 이러한 산업은 대부분 여성에게 직접적으로 향한 화장품, 화장품 수술, 라이브 스트리밍, 패션 등입니다.

여성은 1에서 5까지 평가되었습니다. ‘Asian Female Facial Beauty Prediction Using Deep Neural Networks via Transfer Learning and Multi-Channel Feature Fusion’이라는 논문에서 가져온 것입니다. 출처

이러한 여성 중심의 비즈니스 영역을 넘어서, 광고 및 여러 산업, 包括 엔터테인먼트 및 출판은 모두 미의 이해에 관심이 있습니다. 이는 문화별로 다를 수 있으므로, 전 세계적으로 적용할 수 있는 데이터셋을 얻을 수 없으며, 새로운 연구는 지역적으로 제한적이거나 다양한 문화 데이터에 적용할 수 있는 ‘고급’ 방법에 집중해야 합니다.

지리적 위치는 제한이 아닐 수도 있습니다. 미에 초점을 맞춘 데이터셋은 성별에 걸쳐서 동일한 효능을 제공하지 못하거나 특정 응용 프로그램을 염두에 두고 수집될 수 있으며, 이는 다른 도메인에서 수집의 사용을 제한할 수 있습니다.

예를 들어, 2025년에私は라이브 스트리밍을 위한 매력 예측을 위한 10만 이상의 데이터셋 개발을 보고했습니다. 이 데이터셋은 다른 프로젝트에 적용하기 위해 đáng kể한 적응이 필요할 수 있습니다.

얼굴 렌디션

위의 링크와 이미지에서 알 수 있듯이, 아시아 연구 기관은 종종 서방의 문화적 제한을 받지 않습니다. 서방에서는 과학적인 일러스트레이션에서 5명의 서양 여성의 매력을 평가하는 것이 어려울 것입니다.

아시아에서 이러한 시스템이 공개적으로 효과적으로 chứng명되면, 서방의 관심사에서 이러한 연구를 사적으로 사용하거나 적응할 수 있습니다. 여성의 ‘평가’라는 작업은 비판 없이 추구할 수 있는 지역으로 이전됩니다.

서방의 동등한 시스템이 공개되지 않은 채로 개발되는 경우가 많을 수 있지만, 많은 전문 분야에서 정확한 매력 평가를 얻을 수 있으므로, 목표는全球적으로 관심이 있습니다.

최강 생존

틱톡, 인스타그램, 유튜브와 같은 거대한 웹 스크래퍼블 데이터셋은 매력과 관련된 팔로워, 좋아요, 트래픽을 상관관계로 설정하여 미의 중재자로 작용할 수 있습니다. 이것은 합리적인 연관성입니다.

이미지넷 및 LAION과 같은 기존 데이터셋은 배우와 모델이 포함되어 있으며, 이러한 데이터셋은 일반적으로 매력적인 개인을 특징으로 합니다. 그러나 이것은 미의 변화하는 취향을 설명하지 못합니다.

따라서 높은 수준의 데이터에 구애받지 않는 시스템이 필요합니다. 개별적인 데이터셋이나 컬렉션은 미의 변화하는 취향을 반영하지 못할 수 있습니다.

조합 피부

최근의 학술 연구는 중국에서 나왔으며, 전이 학습과 Broad Learning System (BLS)을 결합하여 정확도와 계산 비용 간의 오랜 트레이드오프를 해결합니다.

従来의 신경망은 강력한 결과를 얻기 위해 많은 훈련이 필요하지만, 가벼운 시스템인 BLS는 빠르게 훈련할 수 있지만, 충분한 세부 사항을 포착하지 못합니다. 새로운 연구는 이러한 간격을 메우기 위해 전이 학습을 사용하여 얼굴 특징을 추출하고, 빠른 BLS 기반 시스템으로 평가를 허용합니다.

LSAFBD 데이터셋의 샘플 이미지입니다. 여성의 얼굴은 1에서 5까지의 미평가 점수로 그룹화되어 있습니다. 출처

첫 번째 변형인 E-BLS는 EfficientNet 기반의 전이 학습과 BLS를 결합하여 얼굴 특징을 추출하고, 빠른 BLS 기반 시스템으로 평가를 허용합니다.

두 번째 변형인 ER-BLS는 E-BLS에 추가적인 처리 단계를 삽입하여 추출된 특징을 표준화하고 정제하여 일관성을 향상시킵니다.

방법

Broad Learning System (BLS)은 深層 신경망의 대안으로, 여러 층을 쌓는 대신, 간단한 연결을 통해 학습을 확장하여 모델을 빠르게 훈련할 수 있습니다.

E-BLS는 EfficientNet 기반의 전이 학습과 BLS를 결합하여 얼굴 특징을 추출하고, 빠른 BLS 기반 시스템으로 평가를 허용합니다.

E-BLS 모델의 아키텍처입니다.

EfficientNet은 ImageNet-1k에서 事前 훈련되어 얼굴 특징을 구조화된 방법으로 설명하는 컴팩트한 특징 값 집합을 생성합니다.

BLS는 이러한 값을 처리하여 최종 미평가 점수를 생성합니다.

ER-BLS는 E-BLS에 추가적인 처리 단계를 삽입하여 추출된 특징을 표준화하고 정제하여 일관성을 향상시킵니다.

데이터 및 테스트

저자들은 SCUT-FBP5500 데이터셋과 LSAFBD 데이터셋을 사용하여 자신의 접근 방식을 테스트했습니다.

SCUT-FBP5500 데이터셋은 5,500개의 정면 얼굴 이미지로 구성되어 있으며, 다양한 인종, 성별, 연령을 포함합니다.

SCUT-FBP5500 데이터셋의 샘플 이미지입니다. 여성의 얼굴은 1에서 5까지의 미평가 점수로 그룹화되어 있습니다.

LSAFBD 데이터셋은 80,000개의 여성 얼굴 이미지로 구성되어 있으며, 다양한 포즈와 배경을 포함합니다.

LSAFBD 데이터셋의 샘플 이미지입니다. 여성의 얼굴은 1에서 5까지의 미평가 점수로 그룹화되어 있습니다.

저자들은 자신의 접근 방식의 성능을 평가하기 위해 정확도와 피어슨 상관계수를 사용했습니다.

결과는 E-BLS와 ER-BLS가 다른 모델보다 더 높은 정확도를 달성했으며, 훈련 시간은 대폭 줄었습니다.

결론

이 연구는 컴퓨터 비전에서 비교적 오래된 목표를 다루고 있으며, 인간의 경험과 주관적인 해석에 밀접하게 관련되어 있습니다. 또한 미의 추세를 초월하여 TASK를 위한真正한 파이프라인을 제공할 수 있는 스키마가 필요합니다.

첫 번째로 발행된 날은 2026년 3월 19일입니다.