AI sin jakt på skjønnhet

Et nytt AI-drevet skjønnhetsevalueringssystem vurderer hvor attraktive ansikter ser ut, mens det trener raskere enn typiske dyptlæringsmodeller, potensielt gjør stor skala automatisert skjønnhetsscoring mer praktisk.

Ansiktsskjønnhetsprediksjon (FBP) er stor forretning, og en ganske sterk tråd i forskningslitteraturen. Selv om det bryter praktisk talt alle grunnleggende prinsipper bak kampen mot bias i AI og maskinlæringspraksis, og selv om det på mange måter støtter objektifisering og reduksjonisme i algoritmiske persepsjoner av kvinner, tiltrekker det likevel interessen til flere multibilliondollarindustrier, de fleste rettet direkte mot kvinner, som kosmetikk, kosmetisk ansiktskirurgi, livestreaming og mote, blant andre:

Kvinner vurderes fra 1-5, fra papiret ‘Asian Female Facial Beauty Prediction Using Deep Neural Networks via Transfer Learning and Multi-Channel Feature Fusion’. Kilde

Utenfor disse åpenbare kvinnecentrerte forretningsenklaver, har reklame og flere andre industrier, inkludert underholdning og utgivelse, betydelige andeler i å forstå hva både menn og kvinner finner ‘attraktive’, nødvendigvis på en per-kulturell basis.

Fakten at samlede persepsjoner av skjønnhet varierer over regioner, betyr at ingen definitive globale datasett kan bli oppnådd, og at ny forskning enten må bli lokal eller konsentrere seg om ‘høynivå’-metoder som kan bli brukt over diverse kulturelle data.

En grensesnitt for et ansiktsskjønnhetsvurderingssystem for 2015 SCUT-FBP-prosjektet. Kilde

Ofte er geografisk plassering ikke den eneste begrensningen, siden attraktivitetssenterte datasett kan slite med å gi like effektivitet over kjønn, eller kan ha blitt kuratert med en bestemt anvendelse i mente – og dette kan begrense samlingens bruk i andre domener.

For eksempel, i 2025 rapporterte jeg om utviklingen av et relativt stort (100 000+ identiteter) datasett for å vurdere attraktivitet i livestreaming, hvis nære standarder kan trenge betydelig tilpasning til bredere prosjekter, til tross for den enorme innsatsen bak initiativet.

Ansiktsskjønnhet

Som kan være tydelig fra lenkene og bildene ovenfor, opererer asiatiske forskningskropper ofte ikke under de samme kulturelle begrensningene som deres vestlige motparter, som ville være hardt presset å våge å publisere en vitenskapelig illustrasjon som vurderer fem vestlige kvinner fra minst til mest attraktive, som vi ser i ovennevnte studie.

Det kan argumenteres for at hvor asiatiske systemer av denne typen er bevist effektive i offentligheten, uten frykt for lokal kritikk, kan vestlige interesser bruke eller tilpasse slike forskning til proprietære, private implementeringer. Oppgaven med å ‘vurdere kvinner’ i denne sammenhengen, er overført til en lokalitet hvor det kan bli fulgt uten kritikk.

Uansett om dette er vanlig eller om mindre offentliggjorte vestlige ekvivalente systemer tenderer til å bli utviklet bort fra åpen kildekode og fra offentlig skråning, er det rimelig å anta at målet er av globalt interesse, på grunn av det store antallet profesjonelle sektorer som kan eller kunne dra nytte av nøyaktige vurderinger av attraktivitet.

Overlevelse av den sterkeste

Det kan synes som om massive web-skrapable korpus som Tik Tok, Instagram og YouTube ville være utmerkede dommere for skjønnhet, ved å korrelere følgere, lik og trafikk til attraktivitet, siden dette er en vanlig og rimelig assosiasjon (om enn med noen unntak).

Liksom, eksisterende samlinger – som ImageNet og LAION – som viser skuespillere og modeller som har ‘reist til toppen’– vil vanligvis inneholde attraktive individer (om enn med for mange datapunkter av for få mennesker), og tillater videre kulturelle mekanismer å fungere som en proxy for attraktivitet.

Men, dette tar ikke med i betraktning skiftende smak i hva folk finner attraktivt over tid (la alene geografisk). Derfor, igjen, er høynivå- og data-agnostiske systemer nødvendige, ikke individuelle og spesielle samlinger eller kurateringer som vil svikte å reflektere skiftende smak.

Kombinasjonshud

Den siste akademiske inngangen for å møte disse utfordringene kommer fra Kina, hvor overføringslæring og Broad Learning System (BLS) kombineres for å møte den langvarige avveien mellom nøyaktighet og beregningskostnad.

Vanlige neurale nettverk tenderer til å oppnå sterke resultater bare med tung trening, mens lettere systemer som BLS trener raskt, men sliter med å fange nok detalj. Det nye arbeidet brobygger denne gapen ved å bruke et forhåndstreent visuelt modell til å trekke ut ansiktstrekk, som deretter blir sendt til et raskt BLS-basert system for scoring, og tillater trekk å bli gjenbrukt i stedet for å bli lært fra scratch, mens treningen holdes effektiv:

Eksempler fra LSAFBD-datasettet, som viser kvinnelige ansikter gruppert etter menneske-tildelte skjønnhetspoeng fra 1 til 5. Vurderingene ble avledet fra multiple annotatorer, og brukt som overvåkede etiketter for trening og evaluering av ansiktsskjønnhetsprediksjon over variasjoner i pose, lys og utseende. Kilde

Det første av de to variasjonene introdusert i arbeidet (E-BLS, se under), sender uttrekte trekk direkte inn i det lette systemet, mens den andre, ER-BLS (også se under), legger til en enkel mellomliggende prosessingssteg mellom EfficientNet-trekk-uttrekker og BLS, med målet å forbedre hvordan disse uttrekkene blir forberedt før de blir brukt til prediksjon:

Testene utført av forfatterne viser, ifølge dem, at deres tilnærming er overlegen både metoder på egen hånd, og andre konkurransemetoder.

Den nye artikkelen heter Ansiktsskjønnhetsprediksjon ved å kombinere overføringslæring og Broad Learning System, og kommer fra seks forskere ved Wuyi University, Jiangmen.

Metode

Den ovennevnte Broad Learning System er et lettvektalternativ til dyptlæringsmodeller, som hopper over å stable flere lag, og i stedet spreder læring over et bredt sett av enklere forbindelser, som tillater modeller å trene raskt – men vanligvis på bekostning av å gå glipp av finere visuell detalj.

Den første av de to variasjonene, E-BLS, kombinerer EfficientNet-basert overføringslæring med BLS, trekker ut detaljerte visuelle trekk fra et ansikt, og deretter sender dem til BLS, som medfører en endelig prediksjon som unngår å trene et fullstendig dypt neuralt nettverk fra scratch:

Arkitektur-skjema for E-BLS-modellen.

EfficientNet, forhåndstreent på ImageNet-1k, og hovedsakelig holdt uendret, konverterer hver innputt-bilde til en kompakt sett av trekk-verdier som beskriver ansiktet på en strukturert måte, mens BLS tar disse verdiene og prosesserer dem gjennom et nettverk av enkle, tilfeldig tilkoblede noder som transformerer og kombinerer informasjonen, før de produserer den endelige attraktivitetsscoren.

Fordi BLS ikke avhenger av dypt lagdelte strukturer, kan E-BLS bli oppdatert ved å legge til flere noder i stedet for å trene hele systemet på nytt,. Dette holder treningen rask, og gjør det enklere å forbedre modellen når ny data blir introdusert.

Den andre av de to variasjonene, ER-BLS, bygger på E-BLS ved å legge til en enkel mellomliggende prosessingssteg mellom EfficientNet-trekk-uttrekker og BLS, med målet å forbedre hvordan disse uttrekkene blir forberedt før de blir brukt til prediksjon:

Arkitektur for ER-BLS-modellen.

I stedet for å sende de rå EfficientNet-trekkene direkte inn i BLS, sender ER-BLS dem først gjennom en raffineringslag som standardiserer og omformer dataene, som hjelper til å redusere støy, og gjør trekkene mer konsistente over forskjellige bilder. Dette steget er designet for å forbedre hvordan systemet generaliserer, spesielt når ansikter varierer i lys, pose eller andre visuelle forhold som kan introdusere ustabilitet i prediksjonene.

De raffinerte trekkene blir deretter sendt inn i samme BLS-struktur som brukes i E-BLS, hvor trekk-noder og forbedringsnoder transformerer og kombinerer informasjonen for å produsere den endelige attraktivitetsscoren.

Data og tester

For å teste deres tilnærming, benyttet forfatterne SCUT-FBP5500-datasettet, en ansiktsskjønnhetsprediksjonsamling fra South China University, som inneholder 5 500 frontale ansiktsbilder i 350x350px, med diverse raser, kjønn og alder:

Eksempler fra SCUT-FBP5500-datasettet, som viser ansiktsbilder med forskjellige egenskaper, vurderes fra minst (1) til mest (5) attraktive.

Hvert bilde ble vurderes med en skjønnhetspoeng av 60 frivillige, på en skala fra 1 til 5, fra ekstremt uattraktiv (1) til ekstremt attraktiv (5):

Fordelingen av proporsjoner av bilder etter skjønnhetspoeng.

Den andre database som ble brukt, var Large-Scale Asian Female Beauty Dataset (LSAFBD)-samlingen, en datasett kuratert av forfatterne selv.

Eksempler fra LSAFBD-datasettet, som viser ansiktsbilder med forskjellige egenskaper, vurderes fra minst (1) til mest (5) attraktive.

Samlingen består av 80 000 ubeskrevne bilder i 144x144px-oppløsning, med variasjoner i pose og bakgrunn, samt alder. Disse ble vurderes av 75 frivillige for samme kriterier som det forrige datasettet, denne gangen på en skala fra 0 til 4:

Fordelingen for LSAFBD-datasettet.

Hvert datasett ble delt inn i trening- og testsegmenter i en 8/20-forhold, og kryssvalidering ble brukt for å stabilisere resultater over løp. BLS-komponenten ble konfigurert gjennom antall trekk-vinduer; antall noder per vindu; og antall forbedringsnoder, med Hyperopt brukt til å søke etter effektive kombinasjoner.

For å etablere en basis, ble en standard BLS-modell trent under identiske innstillinger, etterfulgt av en rekke overføringslæringsmodeller, inkludert ResNet50, Inception-V3, DenseNet121, InceptionResNetV2, EfficientNetB7, MobileNetV2, NASNet, og Xception – alle initialisert med ImageNet-1k-vektorer, og trent med deres siste lag ufrosne.

Trening brukte en læringshastighet på 0,001 (redusert når fremgangen stoppet), og en batch-størrelse på 16, over 50 epoker, med regularisering og rekta linær aktivering (ReLU) brukt gjennom hele.

Ytelse ble evaluert ved hjelp av nøyaktighet og Pearson-korrelasjon, sammen med total treningstid, med resultater gjennomsnittlig over fem løp.

Forfatterne rapporterer treningssammenhengen som en Intel-i7 3,6 GHz-prosessor og 64 GB RAM på en ‘desktop-datamaskin’:

Ytelsesammenligning på SCUT-FBP5500, hvor E-BLS og ER-BLS oppnår konkurranse-accuracies mot dybe CNN-modeller inkludert ResNet50, EfficientNetB7, InceptionV3 og Xception, mens de krever betydelig mindre treningstid – og fremhever effisiens-gevinstene ved å kombinere overføringslæring med et Broad Learning System.

Resultatene indikerte at E-BLS forbedret nøyaktigheten fra 65,85% til 73,13%, mens ER-BLS nådde 74,69%, og overgikk alle sammenlignede modeller. Treningstiden forble betydelig lavere enn dybe CNN-modeller, på omtrent 1 300 sekunder, sammenlignet med flere tusen til over 25 000 sekunder.

For testene på LSAFBD, viste resultatene at E-BLS forbedret nøyaktigheten over vanlig BLS, mens ER-BLS oppnådde den høyeste nøyaktigheten blant alle sammenlignede metoder:

Ytelse på LSAFBD, hvor ER-BLS og E-BLS leverer høyere nøyaktighet enn alle basis- og overføringslæringsmodeller, mens de bare krever en brøkdel av deres treningstid, og indikerer en konsekvent fordelt effisiens uten å ofre prediksjonskvalitet.

Begge variasjoner opprettholdt betydelig lavere treningstid enn dybe CNN-modeller, og indikerte en mer effektiv balanse mellom ytelse og beregningskostnad.

Konklusjon

Dette er en slags ’tilbakeblikk’-publikasjon, som kan sees av dens bruk av før-boom-favoritter som CNN, og av den laveste nivå-treningssammenhengen jeg har møtt i en ny artikkel på mange år.

Likevel, det behandler et overraskende resilientt mål i datavisjon; et som berører tungt på menneskelig erfaring og subjektiv tolkning, og som krever en skjema som transcenderer de estetiske trendene i øyeblikket, og kan levere en virkelig resilient pipeline for oppgaven.

Først publisert torsdag, 19. mars 2026