Urmărirea frumuseții de către IA

Un nou sistem de evaluare a frumuseții bazat pe IA clasează cât de atractive par fețele, în timp ce se antrenează mai repede decât modelele obișnuite de învățare profundă, făcând posibilă o evaluare automată a frumuseții la scară largă.

Prezicerea frumuseții faciale (FBP) este o afacere importantă și o direcție puternică în literatura de cercetare. Deși încalcă practic toate principiile combaterii prejudecăților în practicile IA și machine learning, și deși în multe moduri susține obiectificarea și reducționismul în percepțiile algoritmice ale femeilor, totuși atrage interesul mai multor industrii cu miliarde de dolari, majoritatea fiind orientate direct către femei, cum ar fi cosmetice, chirurgie facială cosmetică, transmisii live și modă, printre altele:

Femei clasificate de la 1 la 5, din studiul ‘Asian Female Facial Beauty Prediction Using Deep Neural Networks via Transfer Learning and Multi-Channel Feature Fusion’. Sursă

Dincolo de aceste enclave de afaceri evident orientate spre femei, publicitatea și alte industrii, inclusiv divertismentul și publicarea, au interese notabile în înțelegerea a ceea ce atât bărbații, cât și femeile consideră ‘atractiv’, necesarmente pe o bază per cultură.

Faptul că percepțiile agregate ale frumuseții variază în diferite regiuni înseamnă că nu pot fi obținute seturi de date definitive aplicabile la nivel global, și că noile cercetări trebuie să rămână parohiale sau să se concentreze pe metode de nivel înalt care pot fi aplicate pe diverse porțiuni de date culturale.

Interfață pentru un sistem de evaluare a frumuseții faciale pentru proiectul SCUT-FBP din 2015. Sursă

Adesea, locația geografică nu este singura restricție, deoarece seturile de date orientate spre atractivitate pot avea dificultăți în a oferi eficacitate egală pentru ambele sexe, sau pot fi fost create cu o anumită aplicație în minte – și acest lucru poate restricționa utilizarea colecției în alte domenii.

De exemplu, în 2025, am raportat despre dezvoltarea unui set de date relativ mare (100.000+ identități) pentru a evalua atractivitatea în transmisii live, ale cărui standarde tăiate strâns ar putea necesita adaptări notabile pentru proiecte mai ample, în ciuda efortului enorm din spatele inițiativei.

Reprezentarea facială

Așa cum se poate observa din link-urile și imaginile de mai sus, organismele de cercetare asiatice nu funcționează întotdeauna sub aceleași restricții culturale ca și omologii lor occidentali, care ar fi puțin probabil să îndrăznească să publice o ilustrație științifică care clasează cinci femei occidentale de la mai puțin la mai atractive, așa cum se vede în studiul menționat mai sus.

Se poate argumenta că, acolo unde sistemele asiatice de acest fel sunt dovedite a fi eficiente în public, fără teama de critici locale, interesele occidentale pot utiliza sau adapta astfel de cercetări în implementări private, proprietare. În acest scenariu, sarcina de ‘a clasifica femeile’ este reprezentată într-o locație în care poate fi urmărită fără critică.

Indiferent dacă acest lucru este comun sau dacă sistemele occidentale echivalente, mai puțin publicizate, tind să fie dezvoltate departe de colaborarea deschisă și de supravegherea publică, este rezonabil să se presupună că obiectivul țintă este de interes global, datorită numărului mare de sectoare profesionale care pot sau ar putea beneficia de evaluări precise ale atractivității.

Supraviețuirea celui mai apt

Se poate părea că corporațiile masive și extragabile din web, cum ar fi Tik Tok, Instagram și YouTube, ar fi arbitri excelenți ai frumuseții, prin corelarea urmăritorilor, a aprecierilor și a traficului cu atractivitatea, deoarece aceasta este o asociere comună și rezonabilă (cu unele excepții).

De asemenea, colecțiile existente – cum ar fi ImageNet și LAION – care prezintă actori și modele care ‘au ajuns în vârful’ – vor prezenta, de obicei, indivizi atractivi (deși adesea cu prea multe puncte de date despre prea puține persoane), permițând mecanismelor culturale mai largi să acționeze ca un proxy pentru atractivitate.

Cu toate acestea, acest lucru nu ține cont de gusturile în schimbare în ceea ce oamenii consideră atractiv de-a lungul timpului (și cu atât mai puțin din punct de vedere geografic). Prin urmare, din nou, sunt necesare sisteme de nivel înalt și independente de date, și nu colecții individuale sau curate care vor eșua în a reflecta gusturile în schimbare.

Piele combinată

Ultima intrare academică care abordează aceste provocări vine din China, unde învățarea transferată și Sistemul de învățare largă (BLS) sunt combinate pentru a aborda schimbul de lungă durată între acuratețe și costul computațional.

Rețelele neuronale convenționale tind să obțină rezultate puternice doar cu antrenament greu, în timp ce sistemele mai ușoare, cum ar fi BLS, se antrenează rapid, dar luptă pentru a capta suficiente detalii. Noul studiu podidește acest gol prin utilizarea unui model vizual preantrenat pentru a extrage caracteristici faciale, care sunt apoi transmise unui sistem BLS rapid pentru a obține scoruri, permițând caracteristicilor să fie reutilizate în loc de a fi învățate de la zero, în timp ce menține antrenamentul eficient:

Imagini de probă din setul de date LSAFBD, care prezintă fețe feminine grupate după scoruri de frumusețe atribuite de oameni de la 1 la 5. Ratingurile au fost obținute de la multiple annotatori și utilizate ca etichete supervizate pentru antrenarea și evaluarea modelelor de predicție a frumuseții faciale pe variații de poziție, iluminare și aparență. Sursă

Prima dintre cele două variante, E-BLS, combină învățarea eficientă cu BLS, extrăgând caracteristici vizuale detaliate dintr-o față și apoi transmițându-le către BLS, implicând o predicție finală care evită nevoia de a antrena o rețea neuronală profundă de la zero:

Schema arhitecturală pentru modelul E-BLS.

InefficientNet, preantrenat pe ImageNet-1k și păstrat în mare măsură neschimbat, convertește fiecare imagine de intrare într-un set compact de valori de caracteristici care descriu fața într-un mod structurat, în timp ce BLS ia aceste valori și le procesează printr-o rețea de noduri simple, random conectate, care transformă și combină informația, înainte de a produce scorul final de atractivitate.

Deoarece BLS nu se bazează pe structuri stratificate profunde, E-BLS poate fi actualizat prin adăugarea de noduri suplimentare, în loc de a reantrena întregul sistem. Acest lucru menține antrenamentul rapid și face mai ușoară îmbunătățirea modelului pe măsură ce sunt introduse noi date.

Cea de-a doua variantă, ER-BLS, se bazează pe E-BLS prin introducerea unei etape intermediare de procesare între extractorul de caracteristici EfficientNet și BLS, cu scopul de a îmbunătăți modul în care aceste caracteristici extrase sunt pregătite înainte de a fi utilizate pentru predicție:

Arhitectura modelului ER-BLS.

În loc de a transmite caracteristicile brute EfficientNet direct în BLS, ER-BLS le trece mai întâi printr-un strat de rafinare care le standardizează și le restructurează, ajutând la reducerea zgomotului și la creșterea coerenței caracteristicilor pe diferite imagini. Acest pas este proiectat pentru a îmbunătăți modul în care sistemul generalizează, în special atunci când fețele variază în iluminare, poziție sau alte condiții vizuale care ar putea introduce instabilitate în predicții.

Caracteristicile rafinate sunt apoi introduse în aceeași structură BLS utilizată în E-BLS, unde nodurile de caracteristici și nodurile de îmbunătățire transformă și combină informația pentru a produce scorul final de atractivitate.

Metodă

Sistemul Broad Learning menționat mai sus este o alternativă ușoară la rețelele neuronale profunde, care sări peste stivuirea multiplelor straturi și în schimb distribuie învățarea pe o gamă largă de conexiuni mai simple, permițând modelelor să se antreneze rapid – dar de obicei la costul lipsei de detalii vizuale fine.

Prima dintre cele două variante, E-BLS, combină învățarea eficientă cu BLS, extrăgând caracteristici vizuale detaliate dintr-o față și apoi transmițându-le către BLS, implicând o predicție finală care evită nevoia de a antrena o rețea neuronală profundă de la zero:

Schema arhitecturală pentru modelul E-BLS.

EfficientNet, preantrenat pe ImageNet-1k și păstrat în mare măsură neschimbat, convertește fiecare imagine de intrare într-un set compact de valori de caracteristici care descriu fața într-un mod structurat, în timp ce BLS ia aceste valori și le procesează printr-o rețea de noduri simple, random conectate, care transformă și combină informația, înainte de a produce scorul final de atractivitate.

Deoarece BLS nu se bazează pe structuri stratificate profunde, E-BLS poate fi actualizat prin adăugarea de noduri suplimentare, în loc de a reantrena întregul sistem. Acest lucru menține antrenamentul rapid și face mai ușoară îmbunătățirea modelului pe măsură ce sunt introduse noi date.

Cea de-a doua variantă, ER-BLS, se bazează pe E-BLS prin introducerea unei etape intermediare de procesare între extractorul de caracteristici EfficientNet și BLS, cu scopul de a îmbunătăți modul în care aceste caracteristici extrase sunt pregătite înainte de a fi utilizate pentru predicție:

Arhitectura modelului ER-BLS.

În loc de a transmite caracteristicile brute EfficientNet direct în BLS, ER-BLS le trece mai întâi printr-un strat de rafinare care le standardizează și le restructurează, ajutând la reducerea zgomotului și la creșterea coerenței caracteristicilor pe diferite imagini. Acest pas este proiectat pentru a îmbunătăți modul în care sistemul generalizează, în special atunci când fețele variază în iluminare, poziție sau alte condiții vizuale care ar putea introduce instabilitate în predicții.

Caracteristicile rafinate sunt apoi introduse în aceeași structură BLS utilizată în E-BLS, unde nodurile de caracteristici și nodurile de îmbunătățire transformă și combină informația pentru a produce scorul final de atractivitate.

Date și teste

Pentru a testa abordarea lor, autorii au utilizat setul de date SCUT-FBP5500, o colecție de predicție a frumuseții faciale de la Universitatea din China de Sud, conținând 5.500 de imagini faciale frontale la 350x350px, cu diverse rase, sexe și vârste:

Imagini de probă din setul de date SCUT-FBP5500, clasificate de la mai puțin (1) la mai atractive (5).

Fiecare imagine a fost clasificată cu un scor de frumusețe de către 60 de voluntari, pe o scară de la 1 la 5, variind de la extrem de neatractiv (1) la extrem de atractiv (5):

Divizarea proporțiilor de imagini după scorurile de frumusețe.

Alta bază de date utilizată a fost Large-Scale Asian Female Beauty Dataset (LSAFBD), o colecție de date creată de autorii înșiși.

Imagini de probă din setul de date LSAFBD, clasificate de la mai puțin (1) la mai atractive (5).

Colecția conține 80.000 de imagini nelabelate la rezoluția de 144x144px, cu variații de poziție și fundal, precum și de vârstă. Acestea au fost clasificate de către 75 de voluntari pentru aceleași criterii ca și setul de date anterior, de data aceasta pe o scară de la 0 la 4:

Divizarea pentru setul de date LSAFBD.

Fiecare set de date a fost împărțit în segmente de antrenament și testare într-un raport de 8/20, și s-a utilizat validarea încrucișată pentru a stabiliza rezultatele pe parcursul execuțiilor. Componenta BLS a fost configurată prin numărul de ferestre de caracteristici; numărul de noduri pe fereastră; și numărul de noduri de îmbunătățire, cu Hyperopt utilizat pentru a căuta combinații eficiente.

Pentru a stabili o bază de referință, un model BLS standard a fost antrenat în condiții identice, după care o serie de modele de învățare transferată au fost introduse, incluzând ResNet50, Inception-V3, DenseNet121, InceptionResNetV2, EfficientNetB7, MobileNetV2, NASNet și Xception – toate inițializate cu greutăți din ImageNet-1k și antrenate cu straturile finale deblocate.

Antrenamentul a utilizat o rată de învățare de 0,001 (redusă atunci când progresul a stagnat), și o dimensiune a lotului de 16, pe parcursul a 50 de epoci, cu regularizare și activare liniară rectificată (ReLU) aplicate pe tot parcursul.

Performanța a fost evaluată utilizând acuratețe și corelația Pearson, alături de timpul total de antrenament, cu rezultate mediate pe parcursul a cinci rulări.

Autorii raportează configurația de antrenament ca fiind un procesor Intel-i7 de 3,6 GHz și 64GB RAM pe un ‘calculator de birou’:

Compararea performanței pe SCUT-FBP5500, unde E-BLS și ER-BLS obțin acuratețe competitive împotriva modelelor de rețele neuronale profunde, incluzând ResNet50, EfficientNetB7, InceptionV3 și Xception, în timp ce necesită semnificativ mai puțin timp de antrenament – evidențiind câștigurile de eficiență ale combinării învățării transferate cu un Sistem de Învățare Largă.

Rezultatele au indicat că E-BLS a îmbunătățit acuratețea de la 65,85% la 73,13%, în timp ce ER-BLS a atins 74,69%, depășind toate modelele comparate. Timpul de antrenament a rămas semnificativ mai scăzut decât al rețelelor neuronale profunde, la aproximativ 1.300 de secunde, față de câteva mii până la peste 25.000 de secunde.

Pentru testele pe LSAFBD, rezultatele au arătat că E-BLS a îmbunătățit acuratețea față de BLS simplu, în timp ce ER-BLS a atins cea mai mare acuratețe printre toate metodele comparate:

Performanță pe LSAFBD, unde ER-BLS și E-BLS livrează acuratețe mai mare decât toate modelele de bază și de învățare transferată, în timp ce necesită doar o fracțiune din timpul lor de antrenament, indicând un avantaj consistent în eficiență fără a sacrifica calitatea predictivă.

Ambele variante au menținut un timp de antrenament semnificativ mai scăzut decât modelele de rețele neuronale profunde, indicând un echilibru mai eficient între performanță și cost computațional.

Concluzie

Acesta este, într-un fel, o publicație ‘retro’, așa cum se poate observa din utilizarea unor favorite de dinainte de boom, cum ar fi rețelele neuronale convolutive, și din faptul că utilizează echipamente de antrenament de nivel foarte scăzut, cel puțin în comparație cu standardele actuale.

În ciuda acestor aspecte, abordează un obiectiv surprinzător de rezilient în domeniul viziunii computaționale; unul care atinge puternic experiența umană și interpretarea subiectivă, și care necesită o schemă care transcende tendințele estetice ale momentului, și care poate furniza o adevărată conductă rezilientă pentru sarcină.

Publicat pentru prima dată joi, 19 martie 2026