การประเมินความน่าดึงดูดของใบหน้าสำหรับการถ่ายทอดสด

จนถึงปัจจุบัน การทำนายความน่าดึงดูดของใบหน้า (FAP) ได้รับการศึกษาในบริบทของการวิจัยทางจิตวิทยา ในอุตสาหกรรมความงามและเครื่องสำอาง และในบริบทของการศัลยกรรมตกแต่งเป็นหลัก ถือเป็นสาขาการศึกษาที่ท้าทาย เนื่องจากมาตรฐานความงามมักจะถูกกำหนดไว้เป็น ระดับชาติมากกว่าระดับโลก.

ซึ่งหมายความว่าไม่มีชุดข้อมูลที่มีประสิทธิผลจาก AI ชุดเดียวที่จะสามารถใช้งานได้ เนื่องจากค่าเฉลี่ยที่ได้จากการสุ่มตัวอย่างใบหน้า/คะแนนจากทุกวัฒนธรรมจะมีความลำเอียงมาก (ในกรณีที่ประเทศที่มีประชากรมากขึ้นจะได้รับความนิยมเพิ่มขึ้น) มิฉะนั้นก็จะใช้ได้กับ ไม่มีวัฒนธรรมเลย (โดยค่าเฉลี่ยของการแข่งขันหรือคะแนนหลายรายการจะเท่ากับไม่มีการแข่งขันจริง)

แต่ความท้าทายอยู่ที่การพัฒนา วิธีคิดเชิงแนวคิด และเวิร์กโฟลว์ที่สามารถประมวลผลข้อมูลเฉพาะประเทศหรือวัฒนธรรม เพื่อให้สามารถพัฒนาโมเดล FAP ที่มีประสิทธิภาพในแต่ละภูมิภาคได้

กรณีการใช้งาน FAP ในการวิจัยด้านความงามและจิตวิทยามีไม่มากนัก โดยเฉพาะอย่างยิ่งในอุตสาหกรรมอื่นๆ ดังนั้น ชุดข้อมูลส่วนใหญ่ที่ได้รับการคัดสรรมาจนถึงปัจจุบันจึงมีข้อมูลจำกัด หรือไม่ได้รับการเผยแพร่เลย

ความสามารถในการหาตัวทำนายความน่าดึงดูดใจทางออนไลน์ได้ง่าย ซึ่งส่วนใหญ่มุ่งเป้าไปที่ผู้ชมชาวตะวันตก ไม่ได้แสดงถึงความทันสมัยใน FAP ซึ่งดูเหมือนว่าในปัจจุบันจะถูกครอบงำโดยงานวิจัยในเอเชียตะวันออก (โดยเฉพาะจีน) และชุดข้อมูลเอเชียตะวันออกที่สอดคล้องกัน

ตัวอย่างชุดข้อมูลจากเอกสารปี 2020 เรื่อง '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

การใช้เชิงพาณิชย์ที่กว้างขึ้นสำหรับการประมาณความงามรวมถึง แอพหาคู่ออนไลน์และระบบ AI เชิงสร้างสรรค์ที่ออกแบบมาเพื่อ 'ทัชอัพ' รูปอวาตาร์จริงของผู้คน (เนื่องจากแอปพลิเคชันดังกล่าวต้องใช้มาตรฐานความสวยงามเชิงปริมาณเป็นมาตรวัดประสิทธิภาพ)

การวาดใบหน้า

บุคคลที่มีเสน่ห์ยังคงเป็นสินทรัพย์อันมีค่าในการโฆษณาและการสร้างอิทธิพล ซึ่งทำให้แรงจูงใจทางการเงินในภาคส่วนเหล่านี้เป็นโอกาสที่ชัดเจนในการพัฒนาชุดข้อมูลและกรอบงาน FAP ที่ล้ำสมัย

ตัวอย่างเช่น โมเดล AI ที่ได้รับการฝึกด้วยข้อมูลในโลกแห่งความเป็นจริงเพื่อประเมินและให้คะแนนความงามบนใบหน้าอาจสามารถระบุเหตุการณ์หรือบุคคลที่มีศักยภาพสูงในการสร้างผลกระทบต่อโฆษณาได้ ความสามารถนี้มีความเกี่ยวข้องอย่างยิ่งในบริบทของการสตรีมวิดีโอสด ซึ่งปัจจุบันเมตริกเช่น "ผู้ติดตาม" และ "ยอดไลค์" ทำหน้าที่เพียงเพื่อ โดยปริยาย ตัวบ่งชี้ความสามารถของบุคคล (หรือแม้แต่ลักษณะใบหน้า) ในการดึงดูดใจผู้ฟัง

แน่นอนว่านี่เป็นตัวชี้วัดผิวเผิน และเสียง การนำเสนอ และมุมมองยังมีบทบาทสำคัญในการรวบรวมผู้ชม ดังนั้น การดูแลชุดข้อมูล FAP จึงต้องมีการควบคุมดูแลโดยมนุษย์ รวมถึงความสามารถในการแยกแยะความน่าดึงดูดของใบหน้าจากความน่าดึงดูดที่ "ไม่ชัดเจน" (หากไม่มีสิ่งนี้ ผู้มีอิทธิพลนอกโดเมน เช่น อเล็กซ์ โจนส์ อาจส่งผลต่อเส้นโค้ง FAP เฉลี่ยสำหรับคอลเลกชันที่ออกแบบมาเพื่อประมาณความงามของใบหน้าเท่านั้น)

ไลฟ์บิวตี้

เพื่อแก้ปัญหาการขาดแคลนชุดข้อมูล FAP นักวิจัยจากประเทศจีนจึงเสนอชุดข้อมูล FAP ขนาดใหญ่ชุดแรก ซึ่งประกอบด้วยภาพใบหน้า 100,000 ภาพ พร้อมคำอธิบายประกอบของมนุษย์ 200,000 รายการเพื่อประเมินความงามของใบหน้า

ตัวอย่างจากชุดข้อมูล LiveBeauty ใหม่ แหล่งที่มา: https://arxiv.org/pdf/2501.02509

สิทธิ ไลฟ์บิวตี้ชุดข้อมูลประกอบด้วยตัวตนที่แตกต่างกัน 10,000 รายการ โดยทั้งหมดรวบรวมจากแพลตฟอร์มสตรีมมิ่งสด (ไม่ระบุ) ในเดือนมีนาคม 2024

นอกจากนี้ผู้เขียนยังนำเสนอ FPEM ซึ่งเป็นวิธี FAP แบบหลายโหมดใหม่ FPEM ผสานรวมความรู้พื้นฐานเกี่ยวกับใบหน้าแบบองค์รวมและความหมายทางสุนทรียศาสตร์แบบหลายโหมด เบา ผ่านทางโมดูลความน่าดึงดูดส่วนบุคคล (PAPM) โมดูลตัวเข้ารหัสความน่าดึงดูดหลายโหมด (MAEM) และโมดูลฟิวชันข้ามโหมด (CMFM)

เอกสารนี้ระบุว่า FPEM ประสบความสำเร็จในการทำงานขั้นสูงสุดบนชุดข้อมูล LiveBeauty ใหม่และชุดข้อมูล FAP อื่นๆ ผู้เขียนสังเกตว่างานวิจัยนี้มีการใช้งานที่มีศักยภาพในการปรับปรุงคุณภาพวิดีโอ การแนะนำเนื้อหา และการปรับแต่งใบหน้าในการสตรีมสด

ผู้เขียนยังสัญญาที่จะทำให้ชุดข้อมูลพร้อมใช้งาน "ในเร็วๆ นี้" - แต่ต้องยอมรับว่าข้อจำกัดการออกใบอนุญาตใดๆ ที่มีอยู่ในโดเมนแหล่งที่มาอาจมีแนวโน้มที่จะส่งต่อไปยังโครงการที่เกี่ยวข้องส่วนใหญ่ที่อาจใช้ผลงานดังกล่าว

กระดาษใหม่มีชื่อว่า การคาดการณ์ความน่าดึงดูดของใบหน้าในการถ่ายทอดสด: มาตรฐานใหม่และวิธีการแบบหลายโหมดและมาจากนักวิจัย 10 คนจากกลุ่มอาลีบาบาและมหาวิทยาลัยเซี่ยงไฮ้เจียวทง

วิธีการและข้อมูล

จากการถ่ายทอดสดจากแพลตฟอร์มสตรีมมิ่งแบบสดเป็นเวลา 10 ชั่วโมง นักวิจัยจะคัดเลือกภาพ XNUMX ภาพต่อชั่วโมงเป็นเวลา XNUMX ชั่วโมงแรก โดยเลือกภาพที่มีการรับชมหน้าเพจสูงสุด

จากนั้นข้อมูลที่รวบรวมได้จะถูกนำไปผ่านขั้นตอนการประมวลผลเบื้องต้นหลายขั้นตอน ขั้นตอนแรกคือ การวัดขนาดบริเวณใบหน้าซึ่งใช้ CPU รุ่นปี 2018 เฟซบ็อกซ์ แบบจำลองการตรวจจับเพื่อสร้างกรอบขอบรอบเส้นโครงหน้า กระบวนการนี้จะช่วยให้ด้านสั้นของกรอบขอบมีขนาดเกิน 90 พิกเซล หลีกเลี่ยงบริเวณใบหน้าที่เล็กหรือไม่ชัดเจน

ขั้นตอนที่สองคือ การตรวจจับภาพเบลอซึ่งนำมาทาบริเวณใบหน้าโดยใช้ความแปรปรวนของ ตัวดำเนินการ Laplacian ในช่องความสูง (Y) ของส่วนครอปใบหน้า ความแปรปรวนนี้ต้องมากกว่า 10 ซึ่งจะช่วยกรองภาพที่เบลอออกไป

ขั้นตอนที่สามคือ การประมาณท่าทางใบหน้าซึ่งใช้ปี 2021 3DDFA-V2 แบบจำลองการประมาณค่าท่าทาง:

ตัวอย่างจากแบบจำลองการประมาณค่า 3DDFA-V2 แหล่งที่มา: https://arxiv.org/pdf/2009.09960

ที่นี่ เวิร์กโฟลว์จะรับประกันว่ามุมเอียงของใบหน้าที่ครอบตัดไม่เกิน 20 องศา และมุมหันเหไม่เกิน 15 องศา ซึ่งไม่รวมถึงใบหน้าที่มีท่าทางที่รุนแรง

ขั้นตอนที่สี่คือ การประเมินสัดส่วนใบหน้าซึ่งยังใช้ความสามารถในการแบ่งส่วนของโมเดล 3DDFA-V2 อีกด้วย ทำให้สัดส่วนพื้นที่ใบหน้าที่ถูกตัดจะมีมากกว่า 60% ของภาพ โดยไม่รวมภาพที่มีใบหน้าไม่เด่นชัด กล่าวคือ มีขนาดเล็กในภาพรวม

สุดท้ายขั้นตอนที่ห้าคือ การลบตัวอักษรซ้ำซึ่งใช้โมเดลการจดจำใบหน้า (ที่ไม่ระบุที่มา) ที่ล้ำสมัยสำหรับกรณีที่ข้อมูลประจำตัวเดียวกันปรากฏในรูปภาพมากกว่าหนึ่งรูปจากสามรูปที่รวบรวมไว้สำหรับวิดีโอความยาว 10 ชั่วโมง

การประเมินและคำอธิบายของมนุษย์

มีการคัดเลือกนักให้คำอธิบายประกอบจำนวน 14 คน ซึ่งประกอบด้วยผู้ชาย 6.7 คนและผู้หญิง 14 คน ซึ่งสะท้อนถึงข้อมูลประชากรของแพลตฟอร์มสดที่ใช้* ใบหน้าต่างๆ จะปรากฏบนหน้าจอขนาด XNUMX นิ้วของ iPhone XNUMX Pro Max ภายใต้สภาวะห้องปฏิบัติการที่สม่ำเสมอ

การประเมินถูกแบ่งออกตาม 200 เซสชัน โดยแต่ละเซสชันใช้ภาพ 50 ภาพ ผู้เข้าร่วมถูกขอให้ประเมินความน่าดึงดูดของใบหน้าของตัวอย่างโดยให้คะแนน 1-5 คะแนน โดยมีช่วงพัก XNUMX นาทีระหว่างแต่ละเซสชัน และผู้เข้าร่วมทุกคนในทุกเซสชัน

ดังนั้นภาพทั้งหมด 10,000 ภาพจึงได้รับการประเมินจากกลุ่มตัวอย่างมนุษย์ 200,000 ราย และได้คำอธิบายประกอบ XNUMX รายการ

การวิเคราะห์และการประมวลผลเบื้องต้น

ประการแรก การคัดกรองภายหลังดำเนินการโดยใช้ค่าอัตราส่วนที่ผิดปกติและ ค่าสัมประสิทธิ์สหสัมพันธ์อันดับของสเปียร์แมน (SROCC) กลุ่มตัวอย่างที่มีคะแนน SROCC น้อยกว่า 0.75 หรือ ค่าผิดปกติ อัตราส่วนที่มากกว่า 2% ถือว่าไม่น่าเชื่อถือและได้ถูกเอาออก โดยในที่สุดก็ได้ผู้ป่วย 20 ราย

จากนั้นจะคำนวณคะแนนความคิดเห็นเฉลี่ย (MOS) สำหรับภาพใบหน้าแต่ละภาพ โดยเฉลี่ยคะแนนที่ได้จากบุคคลที่ถูกต้อง MOS ทำหน้าที่เป็น ความจริงพื้นดิน ป้ายความน่าดึงดูดใจของแต่ละภาพ และคะแนนจะคำนวณโดยการเฉลี่ยคะแนนทั้งหมดจากแต่ละหัวข้อที่ถูกต้อง

ในที่สุด การวิเคราะห์การแจกแจง MOS สำหรับตัวอย่างทั้งหมด รวมถึงตัวอย่างหญิงและชาย แสดงให้เห็นว่ามีการแจกแจง รูปทรงแบบเกาส์เซียนซึ่งสอดคล้องกับการกระจายความน่าดึงดูดของใบหน้าในโลกแห่งความเป็นจริง:

ตัวอย่างของการแจกแจง LiveBeauty MOS

บุคคลส่วนใหญ่มีแนวโน้มที่จะมีรูปลักษณ์ที่น่าดึงดูดใจบนใบหน้าในระดับปานกลาง โดยมีบุคคลเพียงไม่กี่คนเท่านั้นที่มีรูปลักษณ์ที่น่าดึงดูดใจในระดับต่ำมากหรือสูงมาก

นอกจากนี้การวิเคราะห์ของ ความเบ้และความโด่ง ค่าแสดงให้เห็นว่าการกระจายมีลักษณะหางบางและกระจุกตัวอยู่รอบคะแนนเฉลี่ย และ ความน่าดึงดูดใจสูงพบมากขึ้นในกลุ่มตัวอย่างเพศหญิง ในการรวบรวมวีดีโอสตรีมมิ่งสด

สถาปัตยกรรม

มีการใช้กลยุทธ์การฝึกอบรมสองขั้นตอนสำหรับโมเดล Facial Prior Enhanced Multi-modal (FPEM) และ Hybrid Fusion Phase ใน LiveBeauty ซึ่งแบ่งออกเป็นสี่โมดูล ได้แก่ Personalized Attractiveness Prior Module (PAPM), Multi-modal Attractiveness Encoder Module (MAEM), Cross-Modal Fusion Module (CMFM) และ Decision Fusion Module (DFM)

แผนผังแนวคิดสำหรับกระบวนการฝึกอบรมของ LiveBeauty

โมดูล PAPM ใช้ภาพเป็นอินพุตและแยกคุณลักษณะภาพหลายมาตราส่วนโดยใช้ หม้อแปลงสวินและยังดึงคุณสมบัติที่รับรู้ใบหน้าโดยใช้การฝึกอบรมล่วงหน้า เฟซเน็ต แบบจำลอง คุณสมบัติเหล่านี้จะถูกผสมผสานเข้าด้วยกันโดยใช้ ความสนใจข้าม บล็อคเพื่อสร้างคุณสมบัติ 'ความน่าดึงดูด' ที่เป็นเอกลักษณ์เฉพาะตัว

นอกจากนี้ในระยะการฝึกอบรมเบื้องต้น MAEM ยังใช้รูปภาพและข้อความบรรยายความน่าสนใจเพื่อใช้ประโยชน์ CLIP เพื่อสกัดคุณลักษณะทางความหมายทางสุนทรียศาสตร์แบบหลายโหมด

คำอธิบายข้อความเทมเพลตจะอยู่ในรูปแบบ 'ภาพถ่ายบุคคลที่มี{หน้าตา}น่าดึงดูด' (ในกรณีที่ {NS} เป็นไปได้ ไม่ดี, น่าสงสาร, ธรรม, ดี or สมบูรณ์) กระบวนการประมาณการ ความคล้ายคลึงของโคไซน์ ระหว่างการฝังข้อความและภาพเพื่อไปถึงระดับความน่าจะเป็นที่น่าดึงดูด

ในขั้นตอนการหลอมรวมแบบไฮบริด CMFM จะปรับแต่งการฝังข้อความโดยใช้คุณสมบัติความน่าดึงดูดส่วนบุคคลที่สร้างขึ้นโดย PAPM จึงสร้างการฝังข้อความส่วนบุคคล จากนั้นจึงใช้ การถดถอยความคล้ายคลึง กลยุทธ์ในการทำนายผล

ในที่สุด DFM จะรวมคำทำนายแต่ละรายการจาก PAPM, MAEM และ CMFM เข้าด้วยกันเพื่อสร้างคะแนนความน่าดึงดูดขั้นสุดท้ายเพียงคะแนนเดียว โดยมีเป้าหมายเพื่อบรรลุฉันทามติที่มั่นคง

ฟังก์ชั่นการสูญเสีย

สำหรับ เมตริกการสูญเสียPAPM ได้รับการฝึกอบรมโดยใช้ การสูญเสีย L1การวัดความแตกต่างโดยแน่นอนระหว่างคะแนนความน่าดึงดูดที่คาดการณ์ไว้และคะแนนความน่าดึงดูดที่แท้จริง (พื้นฐาน)

โมดูล MAEM ใช้ฟังก์ชันการสูญเสียที่ซับซ้อนมากขึ้นซึ่งรวมการสูญเสียคะแนน (LS) เข้ากับการสูญเสียการจัดอันดับแบบผสาน (LR) การสูญเสียการจัดอันดับ (LR) ประกอบด้วยการสูญเสียความเที่ยงตรง (LR1) และ การสูญเสียอันดับสองทิศทาง (LR2) .

LR1 เปรียบเทียบความน่าดึงดูดสัมพันธ์ของคู่ภาพ ในขณะที่ LR2 รับรองว่าการแจกแจงความน่าจะเป็นที่คาดการณ์ของระดับความน่าดึงดูดจะมีจุดสูงสุดเพียงจุดเดียวและลดลงในทั้งสองทิศทาง แนวทางแบบผสมผสานนี้มุ่งหวังที่จะปรับคะแนนให้ถูกต้องและจัดอันดับภาพให้ถูกต้องตามความน่าดึงดูด

CMFM และ DFM ได้รับการฝึกโดยใช้การสูญเสีย L1 แบบง่าย

การทดสอบ

ในการทดสอบ นักวิจัยนำ LiveBeauty มาเปรียบเทียบกับแนวทางก่อนหน้าเก้าประการ: คอมโบเน็ต; 2D-เอฟเอพี; เร็กซ์-อินเซ็ป; CNN-ER (นำเสนอใน REX-INCEP); มีบิวตี้; เอวีเอ-เอ็มแอลเอสพี; ทาเน็ต; เดเล-ทรานส์และ กิน.

วิธีการพื้นฐานที่สอดคล้องกับ การประเมินความงามของภาพ (IAA) โปรโตคอลยังได้รับการทดสอบแล้วด้วย วีที-บี; เรสเน็กซ์-50และ อินเซปชั่น-V3.

นอกจาก LiveBeauty แล้ว ชุดข้อมูลอื่นที่ทดสอบได้แก่ SCUT-FBP5000 และ MEBeauty ด้านล่างนี้เป็นการเปรียบเทียบการกระจาย MOS ของชุดข้อมูลเหล่านี้:

การแจกแจง MOS ของชุดข้อมูลเกณฑ์มาตรฐาน

ตามลำดับชุดข้อมูลแขกเหล่านี้คือ แยก 60%-40% และ 80%-20% สำหรับการฝึกอบรมและการทดสอบแยกกันเพื่อให้สอดคล้องกับโปรโตคอลเดิม LiveBeauty แบ่งตาม 90%-10%

สำหรับการเริ่มต้นแบบจำลองใน MAEM จะใช้ VT-B/16 และ GPT-2 เป็นตัวเข้ารหัสภาพและข้อความตามลำดับ โดยเริ่มต้นด้วยการตั้งค่าจาก CLIP สำหรับ PAPM จะใช้ Swin-T เป็นตัวเข้ารหัสภาพที่ฝึกได้ ตาม สวินเฟซ.

เค้ก อดัมดับเบิลยู ใช้โปรแกรมเพิ่มประสิทธิภาพและ อัตราการเรียนรู้ กำหนดการ ตั้งค่าด้วย การวอร์มอัพแบบเส้นตรง ภายใต้ a การอบอ่อนโคไซน์ แผนการ อัตราการเรียนรู้แตกต่างกันไปในแต่ละขั้นตอนการฝึกอบรม แต่แต่ละขั้นตอนก็มี ขนาดแบทช์ ของ 32 เหลือ 50 ยุค.

ผลจากการทดสอบ

ผลลัพธ์จากการทดสอบชุดข้อมูล FAP ทั้งสามชุดแสดงไว้ด้านบน จากผลลัพธ์เหล่านี้ เอกสารระบุว่า:

'วิธีการที่เราเสนอนั้นได้รับอันดับหนึ่งและแซงหน้าอันดับสองด้วยคะแนนประมาณ 0.012, 0.081, 0.021 ในแง่ของค่า SROCC ใน LiveBeauty, MEBeauty และ SCUT-FBP5500 ตามลำดับ ซึ่งแสดงให้เห็นถึงความเหนือกว่าของวิธีการที่เราเสนอ'

'วิธีการ IAA นั้นด้อยกว่าวิธีการ FAP ซึ่งแสดงให้เห็นว่าวิธีการประเมินสุนทรียศาสตร์ทั่วไปมองข้ามคุณลักษณะใบหน้าที่เกี่ยวข้องกับลักษณะส่วนบุคคลของความน่าดึงดูดใจของใบหน้า ส่งผลให้ประสิทธิภาพในการทำงาน FAP ไม่ดี'

'[ประสิทธิภาพของ] วิธีการทั้งหมดลดลงอย่างมากใน MEBeauty สาเหตุเป็นเพราะตัวอย่างการฝึกอบรมมีจำกัดและใบหน้าใน MEBeauty มีความหลากหลายทางชาติพันธุ์ ซึ่งบ่งชี้ว่ามีความหลากหลายอย่างมากในด้านความสวยงามของใบหน้า

'ปัจจัยทั้งหมดนี้ทำให้การคาดเดาความน่าดึงดูดใจของใบหน้าใน MEBeauty เป็นเรื่องท้าทายมากขึ้น'

ข้อพิจารณาด้านจริยธรรม

การวิจัยเกี่ยวกับความน่าดึงดูดใจเป็นความพยายามที่อาจก่อให้เกิดความแตกแยกได้ เนื่องจากการกำหนดมาตรฐานความงามตามประสบการณ์จริงนั้น ระบบดังกล่าวจะมีแนวโน้มที่จะเสริมสร้างอคติเกี่ยวกับอายุ เชื้อชาติ และส่วนอื่นๆ มากมายของการวิจัยวิชันคอมพิวเตอร์ที่เกี่ยวข้องกับมนุษย์

อาจกล่าวได้ว่าระบบ FAP นั้นมีอยู่ในตัว ชอบใจ เพื่อเสริมสร้างและรักษามุมมองที่ไม่ครบถ้วนและลำเอียงเกี่ยวกับความน่าดึงดูดใจ การตัดสินเหล่านี้อาจเกิดขึ้นจากคำอธิบายประกอบที่นำโดยมนุษย์ ซึ่งมักดำเนินการในระดับที่จำกัดเกินไปสำหรับการสรุปผลโดเมนอย่างมีประสิทธิผล หรือจากการวิเคราะห์รูปแบบความสนใจในสภาพแวดล้อมออนไลน์ เช่น แพลตฟอร์มสตรีมมิ่ง ซึ่งอาจกล่าวได้ว่าห่างไกลจากหลักคุณธรรม

* เอกสารนี้อ้างถึงโดเมนแหล่งที่มาที่ไม่ได้ระบุชื่อทั้งในเอกพจน์และพหูพจน์

เผยแพร่ครั้งแรกวันพุธที่ 8 มกราคม 2025