Pogoń AI za pięknem

Nowy system oceny piękna oparty na AI ocenia, jak atrakcyjne wyglądają twarze, a przy tym trenuje szybciej niż typowe głębokie modele uczenia maszynowego, co potencjalnie sprawia, że automatyczna ocena piękna na dużą skalę staje się bardziej praktyczna.

Przewidywanie piękna twarzy (FBP) to duży interes, a dość silna nić w literaturze badawczej. Chociaż łamie niemal każdą zasadę walki z uprzedzeniami w AI i praktykach uczenia maszynowego, a także wspiera obiektywizację i redukcjonizm w percepcji algorytmicznej kobiet, nadal przyciąga uwagę kilku branż o wartości setek miliardów dolarów, z których większość jest skierowana bezpośrednio do kobiet, takich jak kosmetyki, chirurgia twarzy, transmisje na żywo i moda, wśród innych:

Kobiety ocenione od 1 do 5, z pracy ‘Asian Female Facial Beauty Prediction Using Deep Neural Networks via Transfer Learning and Multi-Channel Feature Fusion’. Źródło

Poza tymi oczywistymi enklawami biznesu skierowanymi do kobiet, reklama i wiele innych branż, w tym rozrywka i wydawnictwa, mają znaczne udziały w zrozumieniu, co zarówno mężczyźni, jak i kobiety uważają za ‘atrakcyjne’, koniecznie w poszczególnych kulturach.

Fakt, że percepcje piękna różnią się w różnych regionach, oznacza, że nie można uzyskać definitywnych, globalnie stosowalnych zbiorów danych, a nowe badania muszą albo pozostać parochialne, albo else skoncentrować się na ‘wysokopoziomowych’ metodach, które mogą być stosowane w różnych danych kulturowych.

Interfejs systemu oceny piękna twarzy dla projektu SCUT-FBP z 2015 roku. Źródło

Często ograniczeniem nie jest tylko położenie geograficzne, ponieważ zbiory danych skupione na atrakcyjności mogą mieć trudności z zapewnieniem równego skuteczności w przypadku różnych płci lub mogły być opracowane z myślą o konkretnym zastosowaniu – co może ograniczyć ich wykorzystanie w innych dziedzinach.

Na przykład w 2025 roku raportowałem o opracowaniu dość dużej (100 000+ tożsamości) bazy danych w celu oceny atrakcyjności w transmisjach na żywo, której standardy mogłyby wymagać znacznych adaptacji do szerszych projektów, pomimo ogromnych wysiłków włożonych w tę inicjatywę.

Wyobraźnia twarzy

Jak mogło być widoczne z linków i obrazów powyżej, azjatyckie instytucje badawcze często nie działają pod tymi samymi ograniczeniami kulturowymi, co ich zachodnie odpowiedniki, które byłyby zmuszone do opublikowania ilustracji naukowej oceniającej pięć zachodnich kobiet od najmniej do najbardziej atrakcyjnych, jak to widać w powyższej ilustracji pracy.

Można argumentować, że tam, gdzie systemy azjatyckie tego rodzaju okazują się skuteczne w środowisku publicznym, bez obawy przed krytyką, zachodnie interesy mogą wykorzystywać lub adaptować takie badania do własnych, prywatnych wdrożeń. Zadanie ‘oceniania kobiet’ w tym scenariuszu jest rendionowane do miejsca, gdzie można je prowadzić bez krytyki.

Niezależnie od tego, czy jest to powszechne, czy mniej znane zachodnie systemy równoważne są rozwijane poza otwartą współpracą i poza kontrolą publiczną, można założyć, że cel docelowy jest przedmiotem zainteresowania globalnego, ze względu na dużą liczbę sektorów profesjonalnych, które mogą skorzystać z dokładnych ocen atrakcyjności.

Przetrwanie najzdolniejszych

Może się wydawać, że ogromne, pobieralne z sieci zbiory danych, takie jak Tik Tok, Instagram i YouTube, stanowią doskonałe arbitry piękna, korelując subskrybentów, polubienia i ruch z atrakcyjnością, ponieważ jest to powszechny i uzasadnione skojarzenie (chociaż z niektórymi wyjątkami).

Ponadto istniejące zbiory – takie jak ImageNet i LAION – zawierające aktorów i modele, którzy ‘wznoszą się na szczyt’ – zwykle zawierają atrakcyjne osoby (chociaż często z zbyt wieloma punktami danych zbyt małej liczby ludzi), umożliwiając szerszym mechanizmom kulturowym działać jako substytut atrakcyjności.

Jednakże nie uwzględnia to zmieniających się gustów w tym, co ludzie uważają za atrakcyjne w czasie (niezależnie od geografii). Dlatego ponownie, potrzebne są systemy wysokiego poziomu i niezależne od danych, a nie indywidualne i wątpliwe zbiory lub kuracje, które nie będą odzwierciedlać zmieniających się gustów.

Skóra mieszana

Najnowszy akademicki wkład w te wyzwania pochodzi z Chin, gdzie transfer learning i Broad Learning System (BLS) są łączone w celu rozwiązania długotrwałego kompromisu między dokładnością a kosztem obliczeniowym.

Typowe sieci neuronowe osiągają silne wyniki tylko przy ciężkim szkoleniu, podczas gdy lżejsze systemy, takie jak BLS, trenują szybko, ale mają trudności z uchwyceniem wystarczających szczegółów. Nowa praca mostkuje tę lukę, wykorzystując wstępnie wyuczony model wizualny do wyodrębnienia cech twarzy, które są następnie przekazywane do szybkiego systemu opartego na BLS, umożliwiając ponowne wykorzystanie cech zamiast ich ponownego uczenia, przy jednoczesnym utrzymaniu wydajności szkolenia:

Przykładowe obrazy z zestawu danych LSAFBD, pokazujące twarze kobiet pogrupowane według ludzkich ocen piękna od 1 do 5. Oceny pochodziły z wielu adnotatorów i zostały wykorzystane jako nadzorowane etykiety do szkolenia i oceny modeli przewidywania piękna twarzy w różnych warunkach. Źródło

Pierwsza z dwóch wariantów wprowadzonych w pracy (E-BLS, patrz poniżej), bezpośrednio wprowadza wyodrębnione cechy do lekkiego systemu, podczas gdy drugi, ER-BLS (również patrz poniżej), dodaje prosty pośredni etap, który standaryzuje i udoskonala te cechy przed oceną, pomagając poprawić spójność bez spowalniania procesu.

Testy przeprowadzone przez autorów dowodzą, jak twierdzą, że ich podejście jest lepsze niż każda z tych metod osobno i niż inne metody porównawcze.

Nowy artykuł nosi tytuł Przewidywanie piękna twarzy łącząc transfer learning i Broad Learning System, a pochodzi od sześciu badaczy z Wuyi University, Jiangmen.

Metoda

Wspomniany Broad Learning System to lekka alternatywa dla głębokich sieci neuronowych, która pomija stosowanie wielu warstw i zamiast tego rozprzestrzenia uczenie się na szerokim zestawie prostszych połączeń, umożliwiając modelom trenowanie szybko – ale zwykle kosztem braku drobnych szczegółów wizualnych.

Pierwszy z dwóch wariantów, E-BLS, łączy EfficientNet-based transfer learning z BLS, wyodrębniając szczegółowe cechy wizualne z twarzy i następnie przekazując je do BLS, co skutkuje ostateczną prognozą, unikając potrzeby szkolenia pełnej głębokiej sieci neuronowej od podstaw:

Schemat architektury modelu E-BLS.

EfficientNet, wstępnie wyuczony na ImageNet-1k, i w dużej mierze pozostawiony bez zmian, konwertuje każde wejściowe zdjęcie w kompaktowy zestaw wartości cech, które opisują twarz w sposób uporządkowany, podczas gdy BLS pobiera te wartości i przetwarza je przez sieć prostych, losowo połączonych węzłów, które transformują i łączą informacje, zanim wytworzą ostateczny wynik atrakcyjności.

Ponieważ BLS nie opiera się na głębokich strukturach warstw, E-BLS może być aktualizowany przez dodawanie więcej węzłów zamiast ponownego szkolenia całego systemu. To utrzymuje szybkie szkolenie i ułatwia poprawę modelu, gdy wprowadza się nowe dane.

Drugi z dwóch wariantów, ER-BLS, rozbudowuje E-BLS, wstawiając dodatkowy etap przetwarzania między ekstraktorem cech EfficientNet a BLS, z celem poprawy sposobu, w jaki te wyodrębnione cechy są przygotowane przed oceną:

Architektura modelu ER-BLS.

Zamiast bezpośredniego wprowadzania surowych cech EfficientNet do BLS, ER-BLS najpierw przekazuje je przez warstwę udoskonalania, która standaryzuje i przekształca dane, pomagając zmniejszyć szum i uczynić cechy bardziej spójnymi w różnych obrazach. Ten krok jest zaprojektowany, aby poprawić, jak dobrze system uogólnia, szczególnie gdy twarze różnią się oświetleniem, położeniem lub innymi warunkami wizualnymi, które mogą wprowadzać niestabilność do prognoz.

Udoskonalone cechy są następnie wprowadzane do tej samej struktury BLS, co w E-BLS, gdzie węzły cech i węzły wzmocnienia transformują i łączą informacje, aby wytworzyć ostateczny wynik atrakcyjności.

Dane i testy

Aby przetestować swoje podejście, autorzy wykorzystali zestaw danych SCUT-FBP5500, kolekcję przewidywania piękna twarzy z Południowego Uniwersytetu Chin, zawierającą 5500 frontalnych obrazów twarzy o rozdzielczości 350x350px, przedstawiających różnorodne rasy, płcie i wieki:

Przykładowe obrazy twarzy z zestawu danych SCUT-FBP5500, ocenione od najmniej (1) do najbardziej (5) atrakcyjnych.

Każde zdjęcie zostało ocenione z wynikiem piękna przez 60 wolontariuszy, w skali 1-5, od niezwykle nieatrakcyjnego (1) do niezwykle atrakcyjnego (5):

Podział proporcji obrazów według oceny piękna.

Inny wykorzystany zbiór danych to Duży Zbiór Azjatyckiego Piękna Kobiet (LSAFBD), zbiór danych opracowany przez samych autorów.

Przykładowe obrazy twarzy z zestawu danych LSAFBD, ocenione od najmniej (1) do najbardziej (5) atrakcyjnych.

Zbiór składa się z 80 000 nieoznaczonych obrazów o rozdzielczości 144x144px, z różnicami w położeniu i tle, a także wieku. Te zostały ocenione przez 75 wolontariuszy według tych samych kryteriów, co poprzedni zbiór, tym razem w skali 0-4:

Podział dla zestawu danych LSAFBD.

Każdy zbiór danych został podzielony na segmenty szkoleniowe i testowe w stosunku 8/20, a walidacja krzyżowa została użyta, aby ustabilizować wyniki w różnych przebiegach. Komponent BLS został skonfigurowany za pomocą liczby okien cech; liczby węzłów na okno; oraz liczby węzłów wzmocnienia, z Hyperopt wykorzystanym do wyszukiwania skutecznych kombinacji.

Aby ustalić bazę, standardowy model BLS został wytrenowany w tych samych ustawieniach, po czym seria modeli transfer learning została wprowadzona, w tym ResNet50, Inception-V3, DenseNet121, InceptionResNetV2, EfficientNetB7, MobileNetV2, NASNet i Xception – wszystkie zainicjowane z wagami ImageNet-1k i wytrenowane z ich warstwami końcowymi odmrożonymi.

Szkolenie używało stopy uczenia 0,001 (zmniejszanej, gdy postęp zwalniał), i rozmiaru partii 16, w 50 epokach, z regularizacją i prostą aktywacją liniową (ReLU) stosowaną na przestrzeni.

Wydajność została oceniona za pomocą dokładności i korelacji Pearsona, obok całkowitego czasu szkolenia, z wynikami uśrednionymi w pięciu przebiegach.

Autorzy raportują ustawienie szkolenia jako procesor Intel-i7 3,6 GHz i 64 GB RAM na ‘komputerze stacjonarnym’:

Porównanie wydajności na SCUT-FBP5500, gdzie E-BLS i ER-BLS osiągają konkurencyjną dokładność w porównaniu z głębokimi modelami CNN, w tym ResNet50, EfficientNetB7, InceptionV3 i Xception, przy znacznie krótszym czasie szkolenia – podkreślając wydajność kombinacji transfer learning i Broad Learning System.

Wyniki wskazały, że E-BLS poprawił dokładność z 65,85% do 73,13%, podczas gdy ER-BLS osiągnął 74,69%, przewyższając wszystkie porównywane modele. Czas szkolenia pozostał znacznie niższy niż w przypadku głębokich sieci CNN, na poziomie około 1300 sekund, w porównaniu z kilkoma tysiącami do ponad 25 000 sekund.

Dla testów na LSAFBD wyniki pokazały, że E-BLS poprawił dokładność w porównaniu z zwykłym BLS, podczas gdy ER-BLS osiągnął najwyższą dokładność wśród wszystkich porównywanych metod:

Wydajność na LSAFBD, gdzie ER-BLS i E-BLS dostarczają wyższą dokładność niż wszystkie modele bazowe i transfer learning, przy jednoczesnym wymaganiu tylko ułamka ich czasu szkolenia, wskazując na spójną przewagę w wydajności bez poświęcania jakości predykcyjnej.

Oba warianty utrzymywały znacznie krótszy czas szkolenia niż głębokie modele CNN, wskazując na bardziej wydajne równowagę między wydajnością a kosztem obliczeniowym.

Wnioski

To jest w pewnym sensie ‘retro’ publikacja, jak świadczy o tym użycie przed-boomowych ulubieńców, takich jak CNN, oraz o najniższym poziomie sprzętu szkoleniowego, jaki spotkałem w nowym artykule od wielu lat.

Niemniej jednak dotyka on dość wytrwałego celu w dziedzinie widzenia komputerowego; jednego, który dotyka głęboko ludzkiego doświadczenia i subiektywnej interpretacji, i który wymaga schematu, który przekracza estetyczne trendy chwili, i może dostarczyć naprawdę wytrwałą rurę dla zadania.

Po raz pierwszy opublikowane w czwartek, 19 marca 2026