AI kan gissa ett fotos årtal utifrån människors ålder

Nya studier visar att AI kan använda människors ansikten för att uppskatta året ett foto togs, genom att kombinera åldersgissningar med kända födelseår för att slå nuvarande scenbaserade metoder.

Att gissa datumet för ett foto var tidigare mycket enklare än det är nu, eftersom hår- och klädmoten utvecklades i en rasande takt. Av olika skäl, som är föremål för debatt, avstannade denna utveckling av visuell stil för ungefär trettio år sedan, vilket gör det inte längre lika enkelt att titta på en frisyr eller kläder och gissa året utifrån dessa visuella ledtrådar.

För en tid sedan var det möjligt att datera bilder och filmer baserat på färgupplösning och kornegenskaper hos filmen. Man behövde inte vara en expert på forensik; om man såg tillräckligt många gamla filmer, skulle de kulturella ledtrådarna (såsom musik, bilar, mode, ämnen etc.) så småningom associeras med filmstilar:

En illustration av hur förbättringar av filmen gradvis utvidgade omfånget av hudtoner och belysningsstilar över tiden, från platta, främre inställningar till mer naturalistiska och varierade utseenden. Källa (min egen artikel)

En ytterligare “ankare” för att datera ett foto var om det var i svartvitt – en ekonomi som blev överflödig efter populariseringen av digital fotografering i början av detta århundrade

Flertalet kommersiella och experimentella system, såsom MyHeritages prenumerationssammanlänkade PhotoDater, försöker datera foton med hjälp av dessa och diverse andra kriterier.

Ett exempel på fotoåldersuppskattning från MyHeritages PhotoDater-prenumerationstjänst. Källa

Om det inte finns några andra ledtrådar, såsom smartphones eller annan tidsspecifik teknik, är det bästa sättet att fastställa åldern på ett foto taget under de senaste 15-25 åren att känna till personen (t.ex. en kändis eller kanske en bekant) och kunna uppskatta deras ålder, vilket ger en ungefärlig motsvarighet till året.

Ansiktets ålder som referens

Inom området datorteknik och i många andra områden (t.ex. forensik, arkivbearbetning, journalistik, datasetarkitektur etc.) är förmågan att fastställa åldern på ett foto ett eftertraktat mål, eftersom många av de mest intressanta digitala och analoga samlingarna saknar korrekt annotering och metadata, eller till och med har felaktig metadata från tidigare (felaktiga) gissningar.

Därför vore det användbart om ett AI-system kunde granska foton på samma sätt som vi gör när vi tittar tillbaka på våra historiska samlingar och säger ‘Ja, det var när…’. Frågan är, vad kunde vara den utlösande faktorn, utan de vanliga nödvändiga ledtrådarna?

En ny forskningsartikel från Tjeckien erbjuder en initial ingång till denna metod, genom att utnyttja AI-baserade åldersigenkänningssystem i kombination med ansiktsigenkänningssystem som är länkade till en gemensam databas med identiteter (i detta fall en IMDB-liknande samling med tjeckiska artister och filmskapare):

En bild från ‘Joachim, Put It in the Machine’ (1974), används för att illustrera dateringsprocessen. Modellen upptäcker kända personer i bilden, uppskattar deras ålder med hjälp av en ansiktsåldersuppskattare (höger kolumn), och subtraherar detta värde från varje persons födelseår för att generera en sannolikhetsfördelning över möjliga fotoår. Diagrammen visar sannolikheten för varje åldersuppskattning, med streckade linjer som markerar personens verkliga ålder vid fototillfället. Källa

Systemet fungerar genom att upptäcka kända personer i en bild, uppskatta deras ansiktsålder med hjälp av en förtränad modell, och subtrahera denna uppskattning från deras dokumenterade födelseår för att generera sannolika datum för fotot. När flera ansikten är närvarande, kombineras datumuppskattningarna för att producera en slutgiltig förutsägelse.

Metoden testades på bilder från den tjeckoslovakiska filmens databas (CSFD), och den resulterande metoden, som författarna hävdar, erbjuder konsekvent bättre noggrannhet än scenbaserade modeller (statiska modeller som förlitar sig på bakgrundselement eller visuell kontext snarare än ansikten) som tränats på samma data.

Schemat för denna metod kräver en central databas som innehåller kunskap om en stor grupp människor, i detta fall den tjeckiska filmens databas; men vilken som helst liknande samling som innehåller bekräftade födelseår och centrala datumbekräftade händelser kunde ge ett liknande resultat.

Artikeln hävdar:

‘Unikt, vår dataset tillhandahåller annoteringar för flera personer inom en enda bild, vilket möjliggör studier av multifacetterad informationsaggregering. Vi föreslår en sannolikhetsbaserad ram som formellt kombinerar visuell bevisning från modern ansiktsigenkänning och åldersuppskattning, samt karriärbaserade tidsmässiga prioriteringar för att härleda fototillfällets år.

‘Våra experiment visar att aggregering av bevisning från flera ansikten konsekvent förbättrar prestandan och att metoden signifikant överträffar starka, scenbaserade baslinjer, särskilt för bilder som innehåller flera identifierbara personer.’

Den nya artikeln heter Foto-datering genom ansiktsåldersaggregering, och kommer från två forskare vid Czech Technical University i Prag, med löftet om en senare kod- och datautgivning.

Metod

För att uppskatta när ett foto togs, tittar författarnas nya system på varje upptäckt ansikte och försöker gissa vem det kan vara, med hjälp av den ovannämnda databasen med kända personer. Eftersom en person bara kan förekomma en gång i ett foto, kontrollerar systemet alla möjliga identitetskombinationer och använder deras kända födelseår för att gissa hur gammal varje person ser ut.

Efter detta arbetar det bakåt för att uppskatta det mest sannolika året som skulle göra att åldrarna stämmer:

Vänster: systemet bygger en tidsaxel som visar när de identifierade personerna var mest aktiva, baserat på deras kända karriärer. Höger: detta kombineras med ansiktsåldersuppskattningar för att producera en slutgiltig gissning för när bilden togs.

För att hantera det stora antalet möjliga identitetskombinationer, antar systemet att ansikten är oberoende, och att varje ansiktes utseende enbart beror på dess identitet och fotots datum.

För att uppskatta när ett foto togs, gissar systemet först åldern på varje upptäckt ansikte med hjälp av NIST cvut-002-modellen, som är baserad på en ViT-B/16-arkitektur, och tränad på en privat dataset (som, enligt författarna, rankas högt i NIST’s Face Analysis Technology Evaluation (FATE) databas).

När personens födelseår är känt, konverterar modellen åldersuppskattningen till ett sannolikt fotodatum genom att enkelt lägga till åldern till födelseåret, vilket ger en sannolikhetsfördelning över möjliga fotodatum. För att bedöma hur väl ett upptäckt ansikte matchar en känd identitet, jämför systemet deras inbäddningar i ArcFace-utrymme:

ArcFace, den centrala bidragande arkitekturen för den nu populära InsightFace-modellen, lanserades 2015 och var avsett att bli ett inflytelserikt projekt inom ansiktsutvärdering och -bedömning. Källa

Varje identitet representeras av en genomsnittlig inbäddning byggd från dess referensporträtt. Likheten mellan ett testansikte och en identitet mäts sedan med en Von Mises Fisher Distribution, som modellerar hur tätt identitetens porträtt kluster runt den genomsnittliga inbäddningen. En gemensam skärpighetsparameter kontrollerar hur säker systemet är på dessa kluster, och uppskattas med en leave-one-out-strategi på identitetens porträtt.

Modellen definierar fem typer av priorer för att uppskatta när en erkänd person kan förekomma i ett foto: uniform; årtionde; film; bild; och en konvex kombinationsprior som kombinerar de starkaste och svagaste alternativen, för att testa känslighet för prior-styrka (dvs. priorernas motståndskraft under stress).

För att hantera ansikten som inte kan identifieras med tillräcklig säkerhet, innehåller modellen en reserv-“okänd” identitet med oinformativa fördelningar, som har en ansiktslikhet som är platt i inbäddningsutrymmet, och en tidsmässig prior som är platt över alla år. Detta tillåter osäkra ansikten att ignoreras utan att förvränga den slutgiltiga datumuppskattningen:

Hur prestandan påverkas när vissa ansikten i en bild inte kan identifieras. Varje fyrkant visar den genomsnittliga dateringsfelet för olika antal kända och okända identiteter, med fyrkantsstorlek som reflekterar hur vanligt detta kombination är i datamängden. Felet ökar med fler okända, men minskar stadigt när fler kända identiteter läggs till.

Data och tester

Författarna använde den ovannämnda CSFD-databasen för att skapa en ny samling som de kallade CSFD-1.6M. Databasen byggdes från scener med flera personer, med varje ansikte märkt med identitet och år. Denna struktur var nödvändig för att lära modellen hur ansikten relaterar till varandra i sammanhang; enkla ansiktsdatabaser som IMDB-WIKI stöder inte detta, eftersom de bara märker en person per bild.

Filmreleaseår från den tjeckoslovakiska filmens databas användes för att uppskatta när varje foto togs, med varje person i bilden matchad till en offentlig profil som innehåller deras födelseår och ett porträtt.

Därefter matchades varje ansikte i bilden till en av de kända identiteterna, initialt med hjälp av ArcFace för att skapa ansiktsinbäddningar, och beräkna en genomsnittlig inbäddning för varje identitet.

Efter detta användes Hungarian-algoritmen för att tilldela ansikten till identiteter genom att jämföra inbäddningssimilaritet, med justeringar gjorda när antalet upptäckta ansikten via SCRFD-10GE-ramverket inte matchade antalet kända personer.

Statistik från CSFD-1.6M-databasen, som visar skrapade bilder, upptäckta ansikten, identitetsmatchningar, slutliga annoterade prover och den tillgängliga identitetspoolen.

Matchningar avslogs om similariteten var för låg eller om den uppskattade åldern skiljde sig för mycket från den kända åldern, med större tolerans tillåten för äldre ämnen, och ansikten filtrerades inte efter kvalitet eller storlek.

Författarna noterar överlägsenheten hos deras curerade uppsättning jämfört med den närmaste jämförbara databasen, IMDB-WIKI:

‘Vår dataset är inte bara avsevärt större, utan består också av multifacetterade scener som krävs av vår modell. Medan ingen webbskrapad dataset är fri från etikettbrus, syftar vår annoteringspipeline till att utnyttja de explicita länkarna mellan bilder och identitetsprofiler som tillhandahålls av databasen, i syfte att uppnå högkvalitativa identitets tilldelningar.’

Deras utvärdering jämförde flera versioner av dateringssystemet, för att förstå var dess vinster kom ifrån. En modell antog perfekt kunskap om vem som var i bilden, vilket gav en övre gräns för prestanda genom att ta bort all osäkerhet i identitetsigenkänning, med den fullständiga modellen som sedan uppskattade identiteter och datum gemensamt, vägande olika möjliga identitetstilldelningar innan den nådde en slutgiltig årsuppskattning.

En enklare variant valde den mest sannolika identitetskonfigurationen utan att marginalisera alternativ, vilket visade sig vara nästan lika effektivt i praktiken.

I kontrast till detta tilldelade den mest basala baslinjen varje ansikte oberoende och kombinerade de resulterande åldersbaserade årsuppskattningarna, utan att överväga om identiteterna kollektivt hade någon mening.

För att testa hur mycket metoden gynnades av att använda ansikten alls, tränades en separat modell för att uppskatta datumet direkt från hela scenen. Denna scenbaserade modell utgör den starkaste alternativa metoden som för närvarande används för bildatersättning, eftersom den kan lära sig eratypiska visuella mönster över hela bilden, snarare än att förlita sig på identitet eller ålder.

Metriker och data

Medelabsolut fel (MAE) mellan den förutsagda årsuppskattningen och den kända grund­sanningen var den centrala metriken för experimenten.

Data delades in i fem delar, med omsorg för att se till att alla bilder från samma film hölls inom en enda partition. Tre av dessa delar användes för träning, en för validering och en för testning. Denna femfaldiga rotation tillämpades för att förhindra överanpassning.

Eftersom ansiktsbaserade modeller inte tränades på denna dataset, krävdes ingen uppdelning, och de utvärderades i stället direkt på den fullständiga CSFD-1.6M-uppsättningen.

Scen-modellen tränades i 200 epoker under Adam-optimisatorn, med bilder som återstorleksändrades till en 384×384 beskärning.

Resultat

Resultatdelen av artikeln är ovanligt uppdelad över ett antal prestandaindikatorer, utan någon enda utmärkande eller central test. Vi kommer dock att presentera ett urval av de mest relevanta resultaten här.

Det viktigaste resultatet är inte ett enda tal, utan ett mönster: ansiktsaggregeringsmodeller (särskilt Full och Top-1-varianterna) överträffar konsekvent den starka Scen-baslinjen när två eller flera kända identiteter är närvarande – även om Scen-modellen tränas direkt på dataset, vilket stöder den centrala påståendet att identitetslänkad ansiktsdatering ger en mer robust signal än holistisk sceninterpretation.

För att utvärdera effekten av tidsmässiga priorer, jämförde författarna flera konfigurationer av deras Full-modell. Den starkaste prestandan uppnåddes med hjälp av Årtionde-prior, som signifikant överträffade både Naiv-modellen (som använder ingen tidsmässig prior) och Uniform-prior (som antar ingen preferens över år):

Prestanda sjunker skarpt för alla metoder när antalet ansikten ökar, men modeller som använder realistiska tidsmässiga priorer som Årtionde-prior påverkas avsevärt mindre. Naiv- och Scen-baslinjerna förblir platta eller försämras med större grupper, medan Full-modellen med informativa priorer upprätthåller lågt fel. Oracle-baserade priorer, som förlitar sig på testuppsättningsstatistik, definierar den nedre gränsen för uppnåelig prestanda.

För att demonstrera värdet av CSFD-1.6M utöver foto-datering, testades dataseten också som en förträningsresurs för den bredare uppgiften att uppskatta ansiktsålder. Följande en standardutvärderingsprotokoll, ResNet101-modeller förtränades på CSFD-1.6M och jämfördes med motsvarigheter förtränade på IMDB-WIKI och ImageNet. Dessa modeller förfinlärdes och utvärderades sedan på fem populära benchmarkar: AgeDB; AFAD, MORPH; UTKFace; och CLAP2016:

Medelabsolut fel (plus/minus standardavvikelse) på fem åldersuppskattningsbenchmarkar, som jämför modeller förtränade på ImageNet, IMDB-WIKI och CSFD-1.6M. Lägre värden indikerar bättre prestanda. CSFD-1.6M ger de starkaste resultaten över alla benchmarkar.

Över alla fem dataset ledde förträning på CSFD-1.6M till de lägsta felets rater, överträffande de andra två förträningskällorna med en tydlig marginal – en prestandagap som visade sig vara starkast på AFAD och CLAP2016, men förblev konsekvent över hela linjen.

Vi hänvisar läsaren till resten av den något fragmenterade resultatdelen i källartikeln, som också behandlar omfattande ablationsstudier.

Slutsats

Även om den nya artikeln snabbt blir tät och otillgänglig för den oinvigde läsaren, är det ämne som behandlas ett av de mest intressanta och relevanta inom datortekniklitteraturen – inte minst för att det går över i antropologi och kulturstudier, där konstanterna är svåra att fastställa.

* Liksom musikalisk utveckling också saktade ner sin förändringstakt.

Publicerad första gången måndagen den 10 november 2025