การสืบสวนความงามของ AI

ระบบประเมินความงามที่ขับเคลื่อนด้วย AI ใหม่ให้คะแนนความน่าดึงดูดของใบหน้า ในขณะที่ฝึกฝนได้เร็วกว่าโมเดลการเรียนรู้ลึกทั่วไป ทำให้การให้คะแนนความงามอัตโนมัติขนาดใหญ่更加เป็นไปได้

การทำนายความงามของใบหน้า (Facial Beauty Prediction – FBP) เป็นธุรกิจขนาดใหญ่และเป็นสายหนึ่งที่แข็งแกร่งในเอกสารวิจัย แม้ว่าจะขัดแย้งกับหลักการในการต่อต้านความเอนเอียงใน AI และการเรียนรู้ของเครื่อง และแม้ว่าจะสนับสนุนการทำให้คนกลายเป็นสิ่งและลดความซับซ้อนในความเข้าใจของอัลกอริทึมเกี่ยวกับผู้หญิง แต่ก็ยังดึงดูดความสนใจจากอุตสาหกรรมหลายแห่งที่มีมูลค่าหลายพันล้านดอลลาร์ ซึ่งส่วนใหญ่เน้นไปที่ผู้หญิง เช่น อุตสาหกรรมเครื่องสำอาง การศัลยกรรมใบหน้า การถ่ายทอดสด และแฟชั่น เป็นต้น

ผู้หญิงที่ได้รับการให้คะแนนจาก 1-5 จากงานวิจัย ‘Asian Female Facial Beauty Prediction Using Deep Neural Networks via Transfer Learning and Multi-Channel Feature Fusion’ Source – https://www.semanticscholar.org/paper/Asian-Female-Facial-Beauty-Prediction-Using-Deep-Zhai-Huang/59776a6fb0642de5338a3dd9bac112194906bf30 Source

นอกเหนือจากธุรกิจเหล่านี้แล้ว อุตสาหกรรมโฆษณาและอื่นๆ รวมถึงอุตสาหกรรมบันเทิงและการตีพิมพ์ยังมีส่วนได้ส่วนเสียที่สำคัญในการทำความเข้าใจว่าผู้ชายและผู้หญิงมองว่าอะไรคือ ‘ความงาม’ โดยจำเป็นต้องมีการพิจารณาในระดับวัฒนธรรม

ความจริงที่ว่าความเข้าใจเกี่ยวกับความงามแตกต่างกันไปในแต่ละภูมิภาคหมายความว่าไม่สามารถรวบรวมข้อมูลที่สมบูรณ์แบบได้ และวิจัยใหม่จะต้องเลือกที่จะอยู่ในระดับพื้นที่หรือมุ่งเน้นไปที่วิธีการระดับสูงซึ่งสามารถใช้ได้กับข้อมูลวัฒนธรรมที่หลากหลาย

อินเทอร์เฟซสำหรับระบบประเมินความงามของใบหน้าสำหรับโครงการ SCUT-FBP ในปี 2015 Source – https://arxiv.org/pdf/1511.02459 Source

บ่อยครั้ง ที่ตั้งไม่ใช่ข้อจำกัดเดียว เนื่องจากชุดข้อมูลที่เน้นความน่าดึงดูดอาจต้องดิ้นรนเพื่อให้ได้ประสิทธิภาพเท่าเทียมกันระหว่างเพศ หรืออาจได้รับการคัดเลือกสำหรับการใช้งานเฉพาะ และสิ่งนี้อาจจำกัดการใช้ของชุดข้อมูลในโดเมนอื่นๆ

ตัวอย่างเช่น ในปี 2025 ฉัน รายงาน เกี่ยวกับการพัฒนาชุดข้อมูลขนาดใหญ่ (100,000+ อัตลักษณ์) เพื่อประเมินความน่าดึงดูดในระหว่างการถ่ายทอดสด ซึ่งมีมาตรฐานที่ต้องมีการปรับเปลี่ยนอย่างมากเพื่อใช้ในโครงการอื่นๆ แม้ว่าจะมีการพยายามอย่างมากในการดำเนินการก็ตาม

การแสดงใบหน้า

ดังที่เห็นได้จากลิงก์และรูปภาพข้างต้น องค์กรวิจัยในเอเชียไม่ได้ดำเนินการภายใต้ข้อจำกัดทางวัฒนธรรมเหมือนกับองค์กรในตะวันตก ซึ่งจะพบกับความยากลำบากในการตีพิมพ์ภาพวิทยาศาสตร์ที่ให้คะแนนผู้หญิงตะวันตก 5 คนจากน้อยที่สุดจนถึงมากที่สุด เช่นที่เห็นในงานวิจัยที่อ้างอิงข้างต้น

อาจกล่าวได้ว่าระบบที่คล้ายกันซึ่งพิสูจน์ผลการทำงานที่ดีในระดับสาธารณะโดยไม่ต้องกลัวการวิพากษ์วิจารณ์สามารถนำมาใช้หรือปรับให้เหมาะสมกับการใช้งานส่วนตัวได้ ในสถานการณ์นั้น การให้คะแนน ‘ผู้หญิง’ จะถูกส่งต่อไปยังที่ที่สามารถดำเนินการได้โดยไม่ต้องมีการวิพากษ์วิจารณ์

ไม่ว่าจะเป็นเรื่องปกติหรือไม่ ว่าระบบที่คล้ายกันในตะวันตกที่ไม่ได้รับการเผยแพร่สาธารณะมักจะถูกพัฒนาขึ้นโดยไม่มีการทำงานร่วมกันแบบเปิดและไม่มีการตรวจสอบจากสาธารณะ ก็สมเหตุสมผลที่จะถือว่าเป้าหมายสุดท้ายมีความสนใจในระดับโลก เนื่องจากมีหลายภาคส่วนที่สามารถหรืออาจได้รับประโยชน์จากการประเมินความน่าดึงดูดที่แม่นยำ

การอยู่รอดของที่เหมาะสมที่สุด

อาจดูเหมือนว่าชุดข้อมูลขนาดใหญ่ที่สามารถเก็บข้อมูลได้จากเว็บ เช่น Tik Tok, Instagram และ YouTube จะเป็นตัวช่วยที่ดีในการประเมินความงาม โดยการเชื่อมโยงผู้ติดตาม การชอบ และการเข้าชมกับความน่าดึงดูด เนื่องจากเป็นการเชื่อมโยงที่สมเหตุสมผลและเป็นที่ยอมรับ (แม้ว่าจะมีข้อยกเว้นบางประการ)

ชุดข้อมูลที่มีอยู่ เช่น ImageNet และ LAION ซึ่งมีคนดังและแบบอย่างที่ ‘รุ่งเรือง’ มักจะมีคนดึงดูดและสามารถใช้กลไกทางวัฒนธรรมเป็นตัวแทนของความงาม

อย่างไรก็ตาม สิ่งนี้ไม่ได้คำนึงถึงรสนิยมที่เปลี่ยนแปลงไปในเรื่องของสิ่งที่คนพบว่าน่าดึงดูดตลอดเวลา (ไม่เพียงแต่ในระดับภูมิภาค) ดังนั้นจึงต้องการระบบระดับสูงและไม่ขึ้นอยู่กับข้อมูลที่ไม่ใช่ชุดข้อมูลหรือคัดเลือกเฉพาะเจาะจงซึ่งจะล้มเหลวในการสะท้อนถึงรสนิยมที่เปลี่ยนแปลง

ผิวผสม

การเข้าชมวิชาการล่าสุดเพื่อแก้ไขความท้าทายเหล่านี้มาจากจีน โดยใช้การเรียนรู้แบบถ่ายโอนและระบบการเรียนรู้แบบกว้างเพื่อแก้ไขปัญหาที่ยืนยาวระหว่างความแม่นยำและต้นทุนการคำนวณ

เครือข่ายประสาทเทียมแบบดั้งเดิมมักจะได้ผลลัพธ์ที่ดีเพียงอย่างเดียวเมื่อฝึกฝนหนัก ในขณะที่ระบบที่เบากว่า เช่น BLS ฝึกฝนได้เร็ว แต่ดิ้นรนในการจับรายละเอียดที่ละเอียดเกินไป งานวิจัยใหม่นี้เชื่อมช่องว่างนี้โดยใช้แบบจำลองภาพที่ได้รับการฝึกฝนมาแล้วเพื่อแยกคุณลักษณะใบหน้า ซึ่งจะถูกส่งต่อไปยังระบบ BLS ที่รวดเร็วสำหรับการให้คะแนน ทำให้คุณลักษณะสามารถนำกลับมาใช้ใหม่ได้โดยไม่ต้องเรียนรู้จากศูนย์ ในขณะเดียวกันก็รักษาการฝึกฝนที่มีประสิทธิภาพ

รูปตัวอย่างจากชุดข้อมูล LSAFBD โดยแสดงใบหน้าหญิงที่จัดกลุ่มตามคะแนนความงามที่ได้รับจากผู้คนหลายคน ซึ่งใช้เป็นป้ายกำกับสำหรับการฝึกและประเมินแบบจำลองการทำนายความงามของใบหน้า Source – https://arxiv.org/pdf/2603.16930

การแยกคุณลักษณะแรกที่แนะนำในงานวิจัย (E-BLS ดูข้างล่าง) จะส่งคุณลักษณะที่แยกออกมาโดยตรงไปยังระบบที่เบา ในขณะที่อันที่สอง ER-BLS (ดูข้างล่าง) เพิ่มขั้นตอนการประมวลผลระหว่างก่อนที่จะส่งคุณลักษณะไปยัง BLS เพื่อปรับปรุงความสอดคล้องกันโดยไม่ทำให้กระบวนการชะลอ

การทดสอบที่ดำเนินการโดยผู้เขียนระบุว่าแนวทางของพวกเขาดีกว่าวิธีการเดิมและวิธีการอื่นๆ ที่เปรียบเทียบ

เอกสารวิจัยใหม่ชื่อ การทำนายความงามของใบหน้าโดยใช้การเรียนรู้แบบถ่ายโอนและระบบการเรียนรู้แบบกว้าง มาจากนักวิจัย 6 คนจาก Wuyi University, Jiangmen

วิธีการ

ระบบการเรียนรู้แบบกว้าง (Broad Learning System – BLS) เป็นทางเลือกที่เบากว่าเครือข่ายประสาทเทียมแบบลึก ซึ่งไม่ต้องใช้การสร้างหลายชั้น และแทนการแพร่กระจายการเรียนรู้ไปทั่วการเชื่อมต่อที่เรียบง่ายกว่า ทำให้สามารถฝึกฝนได้เร็ว แต่ปกติจะพลาดรายละเอียดที่ละเอียด

รูปแบบแรก E-BLS รวมการเรียนรู้แบบถ่ายโอนและ BLS โดยการแยกคุณลักษณะที่มีรายละเอียดจากใบหน้า และส่งไปยัง BLS เพื่อให้ได้คะแนนสุดท้ายโดยไม่ต้องฝึกเครือข่ายประสาทเทียมแบบลึกทั้งหมดจากศูนย์

โครงสร้างของแบบจำลอง E-BLS โดยแสดงว่าภาพใบหน้าจากชุดข้อมูลเป้าหมาย เช่น SCUT-FBP5500 และ LSAFBD จะถูกส่งผ่านตัวแยกคุณลักษณะ EfficientNet ที่ได้รับการฝึกฝนมาแล้ว ซึ่งพารามิเตอร์ถูกถ่ายโอนจาก ImageNet และยังคงไม่เปลี่ยนแปลง ก่อนที่จะส่งไปยัง BLS เพื่อให้ได้คะแนนความงามสุดท้าย

EfficientNet ที่ได้รับการฝึกฝนบน ImageNet-1k และเก็บไว้ไม่เปลี่ยนแปลง จะแปลงภาพเข้ามาให้เป็นชุดของค่าลักษณะที่อธิบายใบหน้าในลักษณะที่มีโครงสร้าง ในขณะที่ BLS จะใช้ค่าเหล่านั้นและประมวลผลผ่านโหนดที่เชื่อมต่อกันอย่างง่ายๆ ที่เปลี่ยนและรวมข้อมูลก่อนที่จะให้คะแนนความน่าดึงดูดสุดท้าย

เนื่องจาก BLS ไม่พึ่งพาโครงสร้างชั้นลึก E-BLS จึงสามารถอัปเดตได้โดยการเพิ่มโหนดเพิ่มเติมแทนการฝึกทั้งระบบใหม่ ทำให้การฝึกฝนรวดเร็วและง่ายต่อการปรับปรุงแบบจำลองเมื่อมีข้อมูลใหม่

รูปแบบที่สอง ER-BLS สร้างบน E-BLS โดยการเพิ่มขั้นตอนการประมวลผลระหว่างก่อนที่จะส่งคุณลักษณะไปยัง BLS เพื่อปรับปรุงความสอดคล้องกันโดยไม่ทำให้กระบวนการชะลอ

โครงสร้างของแบบจำลอง ER-BLS โดยแสดงว่าภาพใบหน้าจะถูกประมวลผลผ่านตัวแยกคุณลักษณะ EfficientNet ก่อนที่จะถูกส่งผ่านชั้นการปรับให้เหมาะสมโดยใช้การรวม การปรับมาตราส่วน และการแปลง RBF ก่อนที่จะส่งไปยัง BLS เพื่อให้ได้คะแนนความงามสุดท้าย

คุณลักษณะที่ได้รับการปรับปรุงจะถูกส่งไปยังโครงสร้าง BLS เดียวกับที่ใช้ใน E-BLS เพื่อให้ได้คะแนนความน่าดึงดูดสุดท้าย

ข้อมูลและการทดสอบ

เพื่อทดสอบแนวทางของตน ผู้เขียนใช้ชุดข้อมูล SCUT-FBP5500 ซึ่งเป็นชุดข้อมูลการทำนายความงามของใบหน้าจาก South China University โดยมีภาพใบหน้า 5,500 ภาพขนาด 350x350px ที่มีคนหลากหลายเชื้อชาติ เพศ และอายุ

รูปตัวอย่างจากชุดข้อมูล SCUT-FBP5500 โดยแสดงภาพใบหน้าที่ได้รับการให้คะแนนจาก 1-5

ภาพแต่ละภาพได้รับการให้คะแนนความงามโดยอาสาสมัคร 60 คน ในระดับ 1-5 ตั้งแต่ ‘ไม่น่าดึงดูดมาก’ (1) ถึง ‘น่าดึงดูดมาก’ (5)

การแบ่งสัดส่วนของภาพตามคะแนนความงาม

ชุดข้อมูลอื่นที่ใช้คือ Large-Scale Asian Female Beauty Dataset (LSAFBD) ซึ่งเป็นชุดข้อมูลที่ผู้เขียนคัดเลือกเอง

รูปตัวอย่างจากชุดข้อมูล LSAFBD โดยแสดงภาพใบหน้าที่ได้รับการให้คะแนนจาก 1-5

ชุดข้อมูลนี้ประกอบด้วยภาพ 80,000 ภาพที่ไม่มีการจัดกลุ่ม ขนาด 144x144px โดยมีการเปลี่ยนแปลงในด้านท่าทางและพื้นหลัง รวมถึงอายุ ซึ่งได้รับการให้คะแนนโดยอาสาสมัคร 75 คน ตามเกณฑ์เดียวกับชุดข้อมูลก่อนหน้า แต่ในระดับ 0-4

การแบ่งสัดส่วนของชุดข้อมูล LSAFBD

ชุดข้อมูลแต่ละชุดจะถูกแบ่งออกเป็นส่วนฝึกและทดสอบในอัตราส่วน 8:20 และใช้การตรวจสอบข้ามเพื่อทำให้ผลลัพธ์เสถียรขึ้น ส่วน BLS จะถูกกำหนดค่าผ่านจำนวนหน้าต่างคุณลักษณะ จำนวนโหนดต่อหน้าต่าง และจำนวนโหนดการปรับปรุง โดยใช้ Hyperopt ในการค้นหาการรวมกันที่มีประสิทธิภาพ

เพื่อสร้างฐานเปรียบเทียบได้ ผู้เขียนฝึกโมเดล BLS แบบมาตรฐานภายใต้การตั้งค่าเดียวกัน จากนั้นจึงนำโมเดลการเรียนรู้แบบถ่ายโอนหลายรุ่นมาใช้ รวมถึง ResNet50, Inception-V3, DenseNet121, InceptionResNetV2, EfficientNetB7, MobileNetV2, NASNet และ Xception – ทั้งหมดนี้ได้รับการเริ่มต้นด้วยน้ำหนักจาก ImageNet-1k และฝึกฝนโดยปลดล็อกชั้นสุดท้าย

การฝึกใช้อัตราการเรียนรู้ที่ 0.001 (ลดลงเมื่อความก้าวหน้าหยุดชะงัก) และขนาดแบตช์ 16 ตลอด 50 ยุค โดยมีการปรับให้เหมาะสมและใช้ฟังก์ชันการกระตุ้น ReLU ทั่วทั้งระบบ

ประสิทธิภาพถูกประเมินโดยใช้ความแม่นยำและความสัมพันธ์ของ Pearson ร่วมกับเวลาการฝึกทั้งหมด โดยเฉลี่ยผลลัพธ์จากหลายๆ การวิ่ง

ผู้เขียนรายงานการตั้งค่าการฝึกบน CPU Intel-i7 3.6 GHz และ RAM 64GB บน ‘คอมพิวเตอร์ตั้งโต๊ะ’

การเปรียบเทียบประสิทธิภาพบน SCUT-FBP5500 โดยที่ E-BLS และ ER-BLS ให้ความแม่นยำที่สามารถเปรียบเทียบได้กับโมเดล CNN ที่ลึก เช่น ResNet50, EfficientNetB7, InceptionV3 และ Xception ในขณะที่ใช้เวลาการฝึกน้อยกว่ามาก

ผลลัพธ์แสดงให้เห็นว่า E-BLS ปรับปรุงความแม่นยำจาก 65.85% เป็น 73.13% ในขณะที่ ER-BLS พบความแม่นยำสูงสุดที่ 74.69% ซึ่งมากกว่าโมเดลที่เปรียบเทียบทั้งหมด การฝึกใช้เวลาประมาณ 1,300 วินาที ซึ่งน้อยกว่าโมเดล CNN ที่ลึกมาก

สำหรับการทดสอบบน LSAFBD ผลลัพธ์แสดงให้เห็นว่า E-BLS และ ER-BLS ให้ความแม่นยำสูงกว่าโมเดลฐานและโมเดลการเรียนรู้แบบถ่ายโอนอื่นๆ ในขณะที่ใช้เวลาการฝึกที่น้อยกว่ามาก

การเปรียบเทียบประสิทธิภาพบน LSAFBD โดยที่ ER-BLS และ E-BLS ให้ความแม่นยำสูงกว่าโมเดลฐานและโมเดลการเรียนรู้แบบถ่ายโอนอื่นๆ ในขณะที่ใช้เวลาการฝึกที่น้อยกว่ามาก

ทั้งสองรูปแบบยังคงรักษาเวลาการฝึกที่ต่ำกว่าโมเดล CNN ที่ลึกมาก ซึ่งบ่งชี้ถึงความสมดุลที่มีประสิทธิภาพระหว่างประสิทธิภาพและต้นทุนการคำนวณ

สรุป

สิ่งนี้เป็นการเผยแพร่แบบ ‘ย้อนยุค’ เนื่องจากการใช้โมเดล CNN และอุปกรณ์ฝึกที่มีระดับต่ำที่สุดเท่าที่พบในเอกสารวิจัยใหม่ๆ

อย่างไรก็ตาม มันจัดการกับเป้าหมายที่มีความทนทานอย่างน่าประหลาดใจในด้านการมองเห็นของคอมพิวเตอร์ ซึ่งสัมผัสกับประสบการณ์ของมนุษย์และการตีความอย่างมีเจตนา และซึ่งต้องการโครงสร้างที่สามารถอยู่เหนือกระแสความงามในขณะนั้น และสามารถให้กระบวนการทำงานที่แท้จริงสำหรับงานได้

เผยแพร่ครั้งแรกวันพฤหัสบดี 19 มีนาคม 2026