AI-hulpmiddel verwijdert make-up om minderjarigen te stoppen die leeftijdscontroles omzeilen

Het uiterlijk van gezichtsverzorging laat minderjarige gebruikers, meestal meisjes, langs selfie-gebaseerde leeftijdscontroles op platforms zoals datingapps en e-commercesites glippen. Een nieuw AI-hulpmiddel lost dit probleem op door een discriminerend model te gebruiken dat is getraind om make-up te verwijderen terwijl het de identiteit behoudt, waardoor het moeilijker wordt voor minderjarigen om geautomatiseerde systemen te misleiden.

Het gebruik van derdepartij, selfie-gebaseerde leeftijdsverificatiediensten neemt toe, niet in de laatste plaats vanwege een algemene wereldwijde impuls naar online leeftijdsverificatie.

Bijvoorbeeld, in het nieuwe handhavingsregime dat de Online Safety Act van het VK nu verplicht, kan leeftijdsverificatie worden uitgevoerd door een verscheidenheid aan derdepartij diensten, met behulp van verschillende mogelijke methoden, inclusief visuele leeftijdsverificatie, waarbij AI wordt gebruikt om de leeftijd van de gebruiker visueel te voorspellen (meestal vanuit live mobiele camera-beelden). Diensten die benaderingen van deze soort gebruiken, zijn onder andere Ondato, TrustStamp en Yoti.

Echter, leeftijdschatting is niet onfeilbaar, en de traditionele bepaling van tieners om de rechten van volwassenheid te anticiperen, betekent dat jonge mensen een verscheidenheid aan effectieve methoden hebben ontwikkeld om toegang te krijgen tot datingsites, forums en andere omgevingen die hun leeftijdsgroep verbieden.

Een van deze methoden, meestal gebruikt door vrouwen*, is door het dragen van gezichtsverzorging – een tactiek bekend om geautomatiseerde leeftijdschattingssystemen te misleiden, die over het algemeen de leeftijd van jonge mensen overschatten en de leeftijd van oudere mensen onderschatten.

Niet alleen de meisjes

Voordat er protesten komen over het beschouwen van make-up als ‘vrouwgericht’, moeten we opmerken dat de aanwezigheid van gezichtsverzorging op iemand een zeer onbetrouwbare indicator van geslacht is:

In het artikel ‘Impact of Facial Cosmetics on Automatic Gender and Age Estimation Algorithms’ vonden Amerikaanse onderzoekers dat geslachtsverificatiesystemen werden misleid door geslachtsverwisselende make-up. Bron: https://cse.msu.edu/~rossarun/pubs/ChenCosmeticsGenderAge_VISAPP2014.pdf

In 2024 werd geschat dat 72% van de Amerikaanse mannelijke consumenten tussen de 18-24 jaar make-up in hun verzorgingsroutine opnam – hoewel de meesten cosmetische producten gebruiken om de verschijning van gezonde huid te verbeteren, in plaats van zich te laten gaan aan het soort performerende mascara/lippenstift-combinaties meer geassocieerd met de visuele esthetiek van vrouwen.

Dus we kunnen niet anders dan het materiaal dat in dit artikel wordt bestudeerd, behandelen als de meest voorkomende scenario die in nieuw onderzoek wordt onderzocht – dat van minderjarige meisjes die make-up gebruiken om geautomatiseerde visuele leeftijdsverificatiesystemen te omzeilen.

Effectieve make-upverwijdering – De AI-manier

Het onderzoek dat hierboven wordt genoemd, komt van drie bijdragers aan de New York University, in de vorm van het nieuwe artikel DiffClean: Diffusion-based Makeup Removal for Accurate Age Estimation.

Het doel van het project is om een AI-gestuurde methode te ontwikkelen om de verschijning van make-up uit beelden te verwijderen (potentieel inclusief video-beelden), om een beter idee te krijgen van de echte leeftijd van de persoon achter de make-up.

Uit het nieuwe artikel, een voorbeeld van hoe make-upverwijdering de leeftijdsvoorspelling aanzienlijk kan veranderen. Bron: https://arxiv.org/pdf/2507.13292

Een van de uitdagingen bij het ontwikkelen van een dergelijk systeem is de potentiële gevoeligheid rond het verzamelen of cureren van beelden van minderjarige meisjes met volwassen make-up. Uiteindelijk gebruikten de onderzoekers een derdepartij Generative Adversarial Network-gebaseerd systeem genaamd EleGANt om make-upstijlen kunstmatig op te leggen, een techniek die zeer effectief bleek:

Tsinghua University’s 2022 EleGANt-systeem gebruikt een Generative Adversarial Network (GAN) om cosmetica authentiek op bronfoto’s te superponeren. Bron: https://arxiv.org/pdf/2207.09840

Met de hulp van synthetische gegevens verkregen op deze manier, en met de hulp van een diverse reeks aanvullende projecten en datasets, konden de auteurs de staat-van-de-kunst-methoden in leeftijdschatting overschrijden wanneer geconfronteerd met performerende of ‘zichtbare’ make-up.

Het artikel vermeldt:

‘DiffClean [verwijdert] make-upsporen met behulp van een tekstgeleide diffusiemodel om make-upaanvallen te weerstaan. [Het] verbetert leeftijdschatting (minderjarige/tijdens volwassenheid-nauwkeurigheid met 4,8%) en gezichtsverificatie (TMR met 8,9% bij FMR=0,01%) ten opzichte van concurrerende baselines op digitaal gesimuleerde en echte make-upbeelden.’

Laten we eens kijken hoe ze deze taak aanpakten.

Methode

Om echte beelden van minderjarigen met make-up te vermijden, gebruikten de auteurs EleGANt om synthetische cosmetica toe te passen op beelden uit de UTKFace-dataset, waardoor voor- en na-beelden voor training ontstonden.

Voorbeelden uit de UTKFace-dataset. Bron: https://susanqq.github.io/UTKFace/

DiffClean werd vervolgens getraind om deze transformatie om te keren. Aangezien leeftijdschatting algoritmen het meest fout gaan bij het omgaan met jongere leeftijdsgroepen, vonden de onderzoekers het noodzakelijk om een proxy-leeftijdsclassificator fijn afgesteld op de doelleeftijden (10-19 jaar). Daartoe gebruikten ze de SSRNet-architectuur getraind op UTKFace, met een gewogen L1-verlies.

Een vereenvoudigde versie van het diffusiemodel van OpenAI uit 2021 biedt de ruggengraat voor de transformatie, waarbij de auteurs de kernarchitectuur behouden, maar deze hebben gemodificeerd met extra aandachthoofden op diverse resoluties, diepere lagen en BigGAN-stijl-blokken om de upsampling- en downsampling-fasen te verbeteren.

Richtingscontrole werd geïntroduceerd met behulp van CLIP-prompts: specifiek, gezicht met make-up en gezicht zonder make-up, zodat het model leerde om in de gewenste semantische richting te bewegen, waardoor make-up kon worden verwijderd zonder gezichtsdetails, leeftijdscues of identiteit te compromitteren.

Synthetische make-up toegepast met behulp van EleGANt. Elke triplet toont het originele UTKFace-beeld (links), de referentie-make-upstijl (midden) en het resultaat na stijltransfer (rechts). Make-uptransfer van deze soort is overvloedig in computerzichtliteratuur, en deze faciliteit is ook beschikbaar in de neurale filters van Adobe Photoshop, die op dezelfde manier make-up van een referentiebeeld op een doelbeeld kunnen overdragen.

Vier sleutel verliesfuncties leidden make-upverwijdering zonder invloed op gezichtsidentiteit of leeftijdsindicatoren. Naast de hierboven genoemde CLIP-gebaseerde verlies, werd identiteit behouden met een gewogen paar ArcFace-verliezen afgeleid van de InsightFace-bibliotheek – verliezen die de gelijkenis tussen het gegenereerde gezicht en zowel het originele schone beeld als het ‘opgemaakte’ beeld maten, waardoor het onderwerp visueel consistent bleef voor en na make-upverwijdering.

Derde, het perceptuele verlies LPIPS (Lerend Perceptueel Overeenkomst Metrics) gebruikte L1-afstand om pixelniveau-realisme af te dwingen en het algemene uiterlijk van het originele beeld te behouden nadat de make-up was verwijderd.

Tenslotte werd leeftijd gesuperviseerd met een fijn afgestelde SSRNet getraind op de UTKFace-dataset, met het model dat een glad L1-verlies (met zwaardere straffen voor fouten in de leeftijdsgroep van 10-29 jaar, waar misclassificatie het meest voorkomt) gebruikte. Een variant van het model verving dit met een CLIP-gebaseerde leeftijdsprompt, waardoor het model werd aangemoedigd om het uiterlijk van een specifieke leeftijd te evenaren.

Voor leeftijdschatting bij inferentietijd (in tegenstelling tot het gebruik van SSRNet bij trainings tijd), werd het MiVOLO-kader uit 2023 gebruikt.

Gegevens en tests

De fijn afgestelde SSRNet van UTKFace gebruikte een trainingsset van 15.364 beelden, tegen een testset van 6.701 beelden. De oorspronkelijke 20.000 beelden werden gefilterd om iedereen ouder dan 70 te verwijderen en vervolgens opnieuw gesplitst in 70:30.

In overeenstemming met de eerder vastgestelde methode door het DiffAM-project uit 2023, vond de training plaats in twee fasen, met de eerste sessie die gebruik maakte van 300 echte make-upbeelden (dit keer een 200/100-splitsing tussen training en validatie) van BeautyGAN’s MT-dataset.

Het model werd vervolgens verfijnd met behulp van 300 extra UTKFace-beelden, aangevuld met synthetische make-up via EleGANt. Dit creëerde een definitieve trainingsset van 600 voorbeelden, gekoppeld over vijf referentiestijlen van BeautyGAN. Omdat make-upverwijdering het omzetten van veel make-upstijlen naar één schoon gezicht betreft, richtte de training zich op brede generalisatie in plaats van het dekken van elke mogelijke cosmetische variatie.

Prestaties werden geëvalueerd op zowel synthetische als echte beelden. Synthetische tests gebruikten 2.556 Flickr-Faces-HQ-dataset (FFHQ)-beelden, gelijkmatig bemonsterd over negen leeftijdsgroepen onder de 70, en gewijzigd met EleGANt.

Generalisatie werd beoordeeld met behulp van 3.000 beelden uit BeautyFace en 355 uit LADN, beide bevatten echte make-up.

Voorbeelden uit de BeautyFace-dataset, die de semantische segmentatie tonen die verschillende gebieden van het beïnvloede gezichtsoppervlak definieert. Bron: https://li-chongyi.github.io/BeautyREC_files/

Metrieken en implementatie

Voor metrieken werden Gemiddelde Absolute Fout (MAE) tussen de grondwaarheid (echte beelden met feitelijke leeftijden vastgesteld) en de voorspelde leeftijds waarden gebruikt, waarbij lagere resultaten beter zijn; leeftijdsgroepnauwkeurigheid werd gebruikt om te beoordelen of de voorspelde leeftijden in de juiste groepen vielen (waarbij lagere resultaten beter zijn); minderjarige/volwassene-nauwkeurigheid werd gebruikt om de juiste identificatie van 18+-personen te evalueren (waarbij een hoger resultaat beter is).

Bovendien, hoewel het niet centraal staat in het onderwerp in kwestie, rapporteren de auteurs ook identificatieverificatiemetrieken in de vorm van True Match Rate (TMR) en False Match Rate (FMR), met verdere rapportage van gerelateerde Receiver Operating Characteristic (ROC)-waarden.

SSRNet werd fijn afgesteld op 64×64px-beelden met een batchgrootte van 50 onder de Adam-optimizer met een gewichtsverval van 1e−4, evenals een cosine annealing scheduler en een leertempo van 1e−3 over 200 epochs, met vroege stopzetting.

Daarentegen ontving de DiffClean-module 256×256px-ingangsbeelden en werd fijn afgesteld voor vijf epochs met Adam, bij een grover leertempo van 4e−3. Sampling gebruikte 40 DDIM-inversiestappen en 6 DDIM-voorwaartse stappen. Alle training vond plaats op een enkele NVIDIA A100 GPU (of 40GB of 80GB VRAM was niet gespecificeerd).

Concurrerende systemen die werden getest, waren CLIP2Protect en de eerder genoemde DiffAM. De auteurs gebruikten ‘matte’ make-upstijlen in de workflow, zoals vermeld in CLIP2Protect als een hogere succesratio behalend (vermoedelijk een kans biedend aan diegenen die deze aanpak proberen te verslaan – maar dat is een kwestie voor een andere keer).

Om DiffAM als baseline te repliceren, werd het voorgeTrainde model van BeautyGAN fijn afgesteld op de MT-dataset. Voor adversarial make-uptransfer werd het checkpoint van DiffAM gebruikt met standaardparameters voor het doelmodel, referentiebeeld en identiteit.

Prestatie van DiffClean in vergelijking met baselines op leeftijdschattingstaken, met behulp van MiVOLO. De gerapporteerde metrieken zijn minderjarige/volwassene-classificatie, leeftijdsgroepnauwkeurigheid en gemiddelde absolute fout (MAE). DiffClean met CLIP-leeftijdsverlies bereikt de beste resultaten over alle metrieken.

Van deze resultaten zeggen de auteurs:

‘[Onze] methode DIFFCLEAN presteert beter dan beide baselines, CLIP2Protect en DiffAM, en kan succesvol de leeftijdsindicatoren herstellen die door make-up worden verstoord door de MAE te verlagen (tot 5,71) en de algehele leeftijdsgroepnauwkeurigheid te verbeteren (tot 37%). ‘

‘Ons doel was gericht op minderjarige leeftijdsgroepen, en de resultaten laten zien dat we een superieure minderjarige/tijdens volwassenheid-leeftijdsclassificatie van 88,6% bereiken.’

Make-upverwijderingsresultaten van baseline- en voorgestelde methoden. De linkerste kolom toont bronbeelden, de volgende outputs van CLIP2Protect en DiffAM. De derde kolom toont resultaten van DiffClean via SSRNet en CLIP-gebaseerde leeftijdsverlies. De auteurs beweren dat DiffClean make-up effectiever verwijdert, zonder de functiedistorsie die wordt aangetroffen in CLIP2Protect en de resterende cosmetica die door DiffAM wordt gemist.

De auteurs merken verder op dat make-up geen uniform effect op de waargenomen leeftijd heeft, maar kan de waargenomen leeftijd van een gezicht verhogen, verlagen of ongewijzigd laten. Daarom probeert DiffClean geen ‘algemene reductie’ van de voorspelde leeftijd toe te passen, maar probeert in plaats daarvan de oorspronkelijke leeftijdsindicatoren te herstellen door cosmetische sporen te verwijderen:

Make-upverwijderingsvoorbeelden uit de CelebA-HQ- en CACD-datasets. Elke kolom toont een paar beelden voor (links) en na (rechts) make-upverwijdering. In de eerste kolom neemt de voorspelde leeftijd af na make-upverwijdering; in de tweede blijft deze ongewijzigd; en in de derde neemt deze toe.

Om te testen hoe goed DiffClean presteerde op nieuwe gegevens, werd het uitgevoerd op de BeautyFace- en LADN-datasets, die echte make-up bevatten, maar geen gepaarde beelden van dezelfde onderwerpen zonder cosmetica. Leeftijdsvoorspellingen gedaan voor en na make-upverwijdering werden vergeleken om te beoordelen hoe effectief DiffClean de verstoring veroorzaakt door make-up vermindert:

Make-upverwijderingsresultaten op echte beelden uit de LADN (linker paar) en BeautyFace (rechter paar) datasets. DiffClean vermindert de voorspelde leeftijd door cosmetica te verwijderen, waardoor de kloof tussen de waargenomen en de werkelijke leeftijd smaller wordt. Witte cijfers tonen de geschatte leeftijden voor en na verwerking.

De resultaten lieten zien dat DiffClean consequent de kloof tussen de waargenomen en de werkelijke leeftijd verkleinde. Over beide datasets verlaagde het de overschatting- en onderschattingfouten met ongeveer drie jaar gemiddeld, wat suggereert dat het systeem zich goed generaliseert naar echte cosmetische stijlen.

Conclusie

Het is interessant, en misschien onvermijdelijk, dat performerende cosmetische make-up op een tegenwerkende manier zou worden gebruikt. Gezien het feit dat meisjes op verschillende snelheden volwassen worden, maar consistent sneller volwassen worden als groep, kan de taak van het identificeren van de grens tussen minderjarige en volwassen vrouwelijke status een van de meest ambitieuze zijn die het onderzoeksveld zich heeft gesteld.

Nonetheless, tijd en gegevens kunnen uiteindelijk consistent leeftijdsgebonden tekenen bepalen die kunnen worden gebruikt om visuele leeftijdsverificatiesystemen te ondersteunen.

* Omdat dit onderwerp gevoelige taal uitlokt, en omdat ‘meisjes’ uitsluitend is (terwijl ‘vrouwen en meisjes’, de momenteel aanvaardbare term voor vrouwelijk-geslachte personen, in dit geval geen nauwkeurige beschrijving is), heb ik voor ‘vrouwelijk’ gekozen als de beste compromis die ik kon bedenken – hoewel het niet alle demografische nuances vangt, waarvoor ik mijn excuses aanbied.

^† In dit artikel gebruik ik ‘performerend’ om make-up aan te duiden die bedoeld is om te worden gezien en herkend als make-up, zoals mascara, eyeliner, blusher en foundation, in tegenstelling tot verhullende crèmes en andere ‘heimelijke’ soorten cosmetische toepassingen.

Eerst gepubliceerd op vrijdag 18 juli 2025