Trí tuệ nhân tạo có thể đoán năm chụp ảnh từ tuổi của mọi người

Nghiên cứu mới cho thấy trí tuệ nhân tạo có thể sử dụng khuôn mặt của mọi người để ước tính năm chụp ảnh, kết hợp ước tính tuổi với năm sinh đã biết để vượt qua các phương pháp dựa trên cảnh hiện tại.

Đoán ngày chụp ảnh đã từng dễ dàng hơn so với bây giờ, vì phong cách tóc và quần áo đã từng thay đổi với tốc độ chóng mặt. Vì những lý do đang được tranh luận, sự thay đổi phong cách thị giác này đã kết thúc khoảng 30 năm trước, nghĩa là không còn dễ dàng nhìn vào kiểu tóc hoặc quần áo và đoán năm từ những gợi ý thị giác này.

Trong một thời gian, cũng có thể xác định ngày của hình ảnh và phim dựa trên độ phân giải màu và đặc điểm hạt của phim. Không cần phải là một chuyên gia pháp y; nếu bạn xem đủ nhiều bộ phim cũ, những gợi ý văn hóa (như âm nhạc, xe hơi, thời trang, chủ đề, v.v.) sẽ dần dần được liên kết với kiểu phim:

Một minh họa về cách cải tiến phim dần dần mở rộng phạm vi tông màu da và phong cách ánh sáng theo thời gian, chuyển từ các thiết lập phẳng, phía trước sang các phong cách tự nhiên và đa dạng hơn. Nguồn (bài viết của tôi)

Một neo đậu thêm để xác định ngày chụp ảnh là liệu nó có phải là đen trắng hay không – một nền kinh tế đã trở nên thừa thải sau khi nhiếp ảnh kỹ thuật số trở nên phổ biến vào đầu thế kỷ này

Một số hệ thống thương mại và thí nghiệm, như PhotoDater của MyHeritage, cố gắng xác định ngày chụp ảnh bằng các tiêu chí này và nhiều tiêu chí khác.

Một ví dụ về ước tính tuổi ảnh từ dịch vụ PhotoDater chỉ dành cho người đăng ký của MyHeritage. Nguồn

Vắng những dấu hiệu khác, như điện thoại thông minh hoặc công nghệ đặc trưng của thời đại, cách tốt nhất để xác định tuổi của một bức ảnh chụp trong 15-25 năm qua là nếu bạn quen biết người trong ảnh (tức là một người nổi tiếng, hoặc có thể là một người quen), và có thể ước tính tuổi của họ, điều này cho ra một ước tính tương đương về năm.

Tuổi khuôn mặt làm tham chiếu

Trong lĩnh vực thị giác máy tính, và trong nhiều lĩnh vực khác (tức là pháp y, xử lý lưu trữ, báo chí, kiến trúc dữ liệu, v.v.), khả năng xác định tuổi của một bức ảnh là một mục tiêu quý giá, vì nhiều bộ sưu tập kỹ thuật số và tương tự thiếu chú thích và siêu dữ liệu phù hợp, hoặc thậm chí có siêu dữ liệu không chính xác từ những ước tính sai trước đó.

Do đó, sẽ rất hữu ích nếu một hệ thống trí tuệ nhân tạo có thể xem xét ảnh giống như chúng ta khi xem lại các bộ sưu tập lịch sử của mình, và nhận xét ‘Oh yes, đó là khi…’. Câu hỏi là, điều gì có thể là móc để thực hiện cách tiếp cận này, khi không có những gợi ý thông thường?

Một bài nghiên cứu mới từ Cộng hòa Séc đang cung cấp một bước đầu tiên vào cách tiếp cận này, bằng cách khai thác các hệ thống nhận dạng tuổi dựa trên trí tuệ nhân tạo, cùng với các hệ thống nhận dạng khuôn mặt liên kết với một cơ sở dữ liệu chung về danh tính (trong trường hợp này, một bộ sưu tập phong cách IMDB về các diễn viên và nhà làm phim Séc):

Một cảnh từ ‘Joachim, Put It in the Machine’ (1974), được sử dụng để minh họa quá trình xác định ngày. Mô hình phát hiện các cá nhân được biết trong ảnh, ước tính tuổi của họ bằng cách sử dụng một ước tính tuổi khuôn mặt (cột bên phải), và trừ giá trị đó khỏi năm sinh của mỗi người để tạo ra một phân phối xác suất về các ngày chụp ảnh có thể. Các đồ thị cho thấy khả năng của mỗi ước tính tuổi, với các đường đứt nét đánh dấu tuổi thực của người tại thời điểm chụp ảnh. Nguồn

Hệ thống này hoạt động bằng cách phát hiện các cá nhân được biết trong ảnh, ước tính tuổi khuôn mặt của họ bằng cách sử dụng một mô hình được đào tạo trước, và trừ giá trị đó khỏi năm sinh đã biết của họ để tạo ra một phân phối xác suất về các ngày chụp ảnh có thể. Khi có nhiều khuôn mặt, các ước tính ngày được tổng hợp để tạo ra một dự đoán cuối cùng.

Phương pháp này được thử nghiệm trên các hình ảnh được thu thập từ Cơ sở dữ liệu Phim Séc-Slovak (CSFD), với phương pháp kết quả, theo các tác giả, cung cấp độ chính xác nhất quán cao hơn so với các mô hình dựa trên cảnh (các mô hình tĩnh dựa vào các yếu tố nền hoặc ngữ cảnh thị giác thay vì khuôn mặt) được đào tạo trên cùng một dữ liệu.

Phương pháp này yêu cầu một cơ sở dữ liệu trung tâm chứa kiến thức về một nhóm người rộng lớn, trong trường hợp này là cơ sở dữ liệu phim Séc theo phong cách IMDB; nhưng bất kỳ bộ sưu tập nào có ngày sinh xác nhận và các sự kiện ngày xác nhận trung tâm có thể mang lại kết quả tương tự.

Bài báo cho biết:

‘Đặc biệt, bộ dữ liệu của chúng tôi cung cấp chú thích cho nhiều cá nhân trong một hình ảnh, cho phép nghiên cứu việc tổng hợp thông tin từ nhiều khuôn mặt.

‘Chúng tôi đề xuất một khuôn khổ xác suất chính thức kết hợp bằng chứng thị giác từ các mô hình nhận dạng khuôn mặt và ước tính tuổi hiện đại, và các prior thời gian dựa trên sự nghiệp để suy luận năm chụp ảnh.

Bài báo mới này có tiêu đề Xác định ngày ảnh bằng cách tổng hợp tuổi khuôn mặt, và đến từ hai nhà nghiên cứu tại Đại học Kỹ thuật Séc ở Prague, với lời hứa về việc phát hành mã và dữ liệu sau này.

Phương pháp

Để ước tính khi nào một bức ảnh được chụp, hệ thống mới của các tác giả xem xét từng khuôn mặt được phát hiện và cố gắng đoán xem đó có thể là ai, bằng cách sử dụng cơ sở dữ liệu đã đề cập của những người được biết đến. Vì một người chỉ có thể xuất hiện một lần trong ảnh, hệ thống kiểm tra tất cả các kết hợp có thể của các danh tính có thể và sử dụng năm sinh đã biết của họ để đoán tuổi của mỗi người.

Sau đó, nó làm việc ngược lại để ước tính năm có khả năng nhất sẽ làm cho những tuổi đó phù hợp:

Bên trái: hệ thống xây dựng một dòng thời gian cho thấy khi nào các cá nhân được công nhận đang hoạt động nhất, dựa trên sự nghiệp của họ. Bên phải: điều này được kết hợp với ước tính tuổi khuôn mặt để tạo ra một ước tính cuối cùng cho khi hình ảnh được chụp.

Để xử lý nhiều kết hợp danh tính có thể, hệ thống giả định rằng khuôn mặt là độc lập, và rằng sự xuất hiện của mỗi khuôn mặt chỉ phụ thuộc vào danh tính và ngày chụp ảnh.

Để ước tính khi nào một bức ảnh được chụp, hệ thống đầu tiên đoán tuổi của mỗi khuôn mặt được phát hiện bằng cách sử dụng mô hình cvut-002 của NIST, dựa trên kiến trúc ViT-B/16, và được đào tạo trên một tập dữ liệu riêng (mà các tác giả cho biết xếp hạng cao trong cơ sở dữ liệu FATE của NIST).

Khi năm sinh của một người đã biết, mô hình chuyển đổi ước tính tuổi thành một năm chụp ảnh có khả năng bằng cách đơn giản thêm tuổi vào năm sinh, tạo ra một phân phối xác suất về các năm chụp ảnh có thể. Để đánh giá xem một khuôn mặt được phát hiện có khớp với một danh tính được biết đến hay không, hệ thống so sánh nhúng của chúng trong không gian ArcFace:

ArcFace, kiến trúc đóng góp trung tâm cho mô hình InsightFace phổ biến, được ra mắt vào năm 2015, với số phận trở thành một dự án có ảnh hưởng trong đánh giá và đánh giá khuôn mặt. Nguồn

Mỗi danh tính được đại diện bởi một nhúng trung bình được xây dựng từ các bức ảnh đại diện của nó. Sự tương tự giữa một khuôn mặt thử nghiệm và một danh tính được đo bằng cách sử dụng phân phối Von Mises Fisher, mô hình cách các bức ảnh đại diện của danh tính đó tụ tập xung quanh giá trị trung bình. Một tham số sắc nét chung kiểm soát mức độ tự tin của hệ thống trong các cụm này, và được ước tính bằng cách sử dụng một chiến lược loại bỏ một trên các bức ảnh đại diện của danh tính.

Mô hình định nghĩa năm loại prior để ước tính khi nào một người được công nhận có thể xuất hiện trong ảnh: đồng nhất; thập kỷ; phim; hình ảnh; và một trộn prior kết hợp các lựa chọn mạnh nhất và yếu nhất, để kiểm tra độ nhạy với sức mạnh của prior (tức là, sự vững vàng của các prior dưới áp lực).

Để xử lý các khuôn mặt không thể xác định được một cách chắc chắn, mô hình bao gồm một danh tính ‘không xác định’ với các phân phối không cung cấp thông tin, có một khả năng khuôn mặt phẳng trong không gian nhúng, và một prior thời gian phẳng trên tất cả các năm. Điều này cho phép các khuôn mặt không chắc chắn được bỏ qua mà không gây ra thiên vị cho ước tính ngày cuối cùng:

Cách hiệu suất bị ảnh hưởng khi một số khuôn mặt trong hình ảnh không thể được xác định. Mỗi ô vuông cho thấy lỗi trung bình của ngày chụp cho các số lượng khác nhau của danh tính được biết và không xác định, với kích thước của ô vuông phản ánh tần suất của sự kết hợp đó trong tập dữ liệu. Lỗi tăng với nhiều không xác định, nhưng giảm đều đặn khi có nhiều danh tính được biết đến.

Dữ liệu và Kiểm tra

Các tác giả đã sử dụng tập dữ liệu CSFD đã đề cập để tạo ra một tập dữ liệu mới mà họ gọi là CSFD-1.6M. Tập dữ liệu này được xây dựng từ các cảnh có nhiều người, với mỗi khuôn mặt được gắn nhãn bằng danh tính và năm. Cấu trúc này là cần thiết để dạy mô hình cách khuôn mặt liên quan đến nhau trong ngữ cảnh; các tập dữ liệu đơn khuôn mặt như IMDB-WIKI không hỗ trợ điều này, vì chúng chỉ gắn nhãn một người mỗi hình ảnh.

Năm phát hành phim từ Cơ sở dữ liệu Phim Séc-Slovak được sử dụng để ước tính khi nào mỗi bức ảnh được chụp, với mỗi người trong hình ảnh được khớp với một hồ sơ công khai có năm sinh và một bức ảnh.

Sau đó, mỗi khuôn mặt trong hình ảnh được khớp với một trong những danh tính được biết, ban đầu bằng cách sử dụng ArcFace để tạo nhúng khuôn mặt, và tính toán một nhúng trung bình cho mỗi danh tính.

Sau đó, thuật toán Hungary được sử dụng để gán khuôn mặt cho các danh tính bằng cách so sánh sự tương tự của nhúng, với các điều chỉnh được thực hiện khi số lượng khuôn mặt được phát hiện qua khuôn khổ SCRFD-10GE không khớp với số lượng cá nhân được biết.

Thống kê từ tập dữ liệu CSFD-1.6M, chi tiết về hình ảnh được thu thập, khuôn mặt được phát hiện, khớp danh tính, mẫu được chú thích cuối cùng và hồ sơ danh tính có sẵn.

Khớp được từ chối nếu sự tương tự quá thấp hoặc nếu tuổi ước tính khác quá nhiều so với tuổi đã biết, với sự khoan dung lớn hơn được phép cho các đối tượng già hơn, và khuôn mặt không được lọc theo chất lượng hoặc kích thước.

Các tác giả lưu ý sự vượt trội của tập dữ liệu được thu thập của họ so với tập dữ liệu gần nhất, IMDB-WIKI:

‘Bộ dữ liệu của chúng tôi không chỉ lớn hơn đáng kể mà còn quan trọng, bao gồm các cảnh đa người cần thiết cho mô hình của chúng tôi. Trong khi không có tập dữ liệu được thu thập từ web nào là miễn nhiễm với tiếng ồn của nhãn, đường ống chú thích của chúng tôi tận dụng các liên kết rõ ràng giữa hình ảnh và hồ sơ danh tính được cung cấp bởi cơ sở dữ liệu, nhằm mục đích có các gán danh tính chất lượng cao hơn.’

Họ đánh giá nhiều phiên bản của hệ thống xác định ngày để hiểu nơi mà lợi ích của nó đến từ đâu. Một mô hình giả định kiến thức hoàn hảo về những người trong ảnh, cung cấp một giới hạn trên về hiệu suất bằng cách loại bỏ bất kỳ sự không chắc chắn nào trong việc nhận dạng danh tính, với phiên bản đầy đủ của mô hình sau đó ước tính cả danh tính và ngày cùng nhau, cân nhắc các gán danh tính khác nhau trước khi đến một ước tính năm cuối cùng.

Một biến thể đơn giản hơn chọn cấu hình danh tính có khả năng nhất mà không cần phải biên độ trên các lựa chọn thay thế, điều này đã chứng minh gần như hiệu quả trong thực tế.

Ngược lại, đường cơ sở đơn giản nhất gán mỗi khuôn mặt một cách độc lập và kết hợp các ước tính năm dựa trên tuổi mà không xem xét liệu các danh tính tập thể có ý nghĩa hay không.

Để kiểm tra bao nhiêu phương pháp này được hưởng lợi từ việc sử dụng khuôn mặt, một mô hình riêng biệt được đào tạo để ước tính ngày trực tiếp từ toàn bộ cảnh. Mô hình dựa trên cảnh này tạo thành cách tiếp cận thay thế mạnh nhất hiện được sử dụng trong ước tính ngày ảnh, vì nó có thể học những mẫu thị giác đặc trưng của thời đại trên toàn bộ hình ảnh, thay vì dựa vào danh tính hoặc tuổi.

Thống kê và Dữ liệu

Lỗi tuyệt đối trung bình (MAE) giữa năm dự đoán và sự thật đã biết là chỉ số trung tâm cho các thí nghiệm.

Dữ liệu được chia thành năm phần, với sự chăm sóc để đảm bảo rằng tất cả hình ảnh từ cùng một bộ phim được giữ trong một phân vùng. Ba trong số này được sử dụng để đào tạo, một cho xác thực và một cho kiểm tra. Sự quay vòng năm lần này được áp dụng để ngăn chặn quá拟 hợp.

Because các mô hình dựa trên khuôn mặt không được đào tạo trên tập dữ liệu này, không cần phải chia, và thay vào đó, chúng được đánh giá trực tiếp trên toàn bộ tập dữ liệu CSFD-1.6M.

Mô hình Cảnh được đào tạo trong 200 kỳ dưới tối ưu hóa Adam, với hình ảnh được thay đổi kích thước thành một crops 384×384.

Kết quả

Phần kết quả của bài báo được chia thành một số chỉ số hiệu suất, không có một thử nghiệm nào nổi bật hoặc trung tâm. Tuy nhiên, chúng tôi sẽ trình bày một số kết quả quan trọng nhất ở đây.

Kết quả quan trọng nhất không phải là một con số duy nhất, mà là một mẫu: các mô hình tổng hợp khuôn mặt (đặc biệt là các biến thể Toàn bộ và Đứng đầu-1) nhất quán vượt qua đường cơ sở Cảnh mạnh mẽ mỗi khi hai hoặc nhiều danh tính được biết đến có mặt – ngay cả khi mô hình Cảnh được đào tạo trực tiếp trên cùng một dữ liệu, hỗ trợ tuyên bố trung tâm rằng xác định ngày khuôn mặt liên kết với danh tính cung cấp một tín hiệu mạnh hơn so với việc giải thích cảnh toàn diện.

Để đánh giá ảnh hưởng của các prior thời gian, các tác giả đã so sánh nhiều cấu hình của mô hình Toàn bộ của họ. Hiệu suất mạnh nhất được đạt được bằng cách sử dụng Decade Prior, vượt trội so với cả mô hình Naive (không sử dụng prior thời gian) và Uniform Prior (giả định không có ưu tiên về năm):

Lỗi giảm mạnh đối với tất cả các phương pháp khi số lượng khuôn mặt tăng, nhưng các mô hình sử dụng các prior thời gian thực tế như Decade Prior bị ảnh hưởng ít hơn. Các đường cơ sở Naive và Scene vẫn phẳng hoặc suy giảm với các nhóm lớn hơn, trong khi mô hình Toàn bộ được hướng dẫn bởi các prior thông tin duy trì lỗi thấp. Các prior dựa trên oracle, dựa trên thống kê của tập kiểm tra, xác định giới hạn dưới về hiệu suất có thể đạt được.

Để chứng minh giá trị của CSFD-1.6M ngoài việc xác định ngày ảnh, tập dữ liệu này cũng được kiểm tra như một tài nguyên tiền đào tạo cho nhiệm vụ rộng hơn là ước tính tuổi khuôn mặt. Theo một giao thức đánh giá tiêu chuẩn, các mô hình ResNet101 được tiền đào tạo trên CSFD-1.6M, và so sánh với các mô hình được tiền đào tạo trên IMDB-WIKI và ImageNet. Những mô hình này sau đó được tinh chỉnh và đánh giá trên năm bộ dữ liệu chuẩn: AgeDB; AFAD, MORPH; UTKFace; và CLAP2016:

Lỗi tuyệt đối trung bình (cộng với độ lệch chuẩn) trên năm bộ dữ liệu chuẩn về ước tính tuổi, so sánh các mô hình được tiền đào tạo trên ImageNet, IMDB-WIKI và CSFD-1.6M. Giá trị thấp hơn cho thấy hiệu suất tốt hơn. CSFD-1.6M mang lại kết quả mạnh nhất trên tất cả các bộ dữ liệu.

Trên tất cả năm bộ dữ liệu, tiền đào tạo trên CSFD-1.6M dẫn đến các tỷ lệ lỗi thấp nhất, vượt trội so với hai nguồn tiền đào tạo khác với một khoảng cách rõ ràng – một khoảng cách hiệu suất được chứng minh là mạnh nhất trên AFAD và CLAP2016, nhưng vẫn nhất quán trên toàn bộ.

Chúng tôi đề cập đến người đọc phần còn lại của phần kết quả khá phân mảnh trong bài báo nguồn, cũng đề cập rộng rãi đến các nghiên cứu loại bỏ.

Kết luận

Mặc dù bài báo mới này nhanh chóng trở nên dày đặc và không thể tiếp cận được với người đọc thông thường, chủ đề được đề cập là một trong những chủ đề thú vị và liên quan nhất trong văn học về thị giác máy tính – không chỉ vì nó giao thoa một cách khéo léo với nhân chủng học và nghiên cứu văn hóa, nơi các hằng số khó xác định.

* Giống như sự tiến hóa âm nhạc cũng chậm lại tốc độ thay đổi.

Được xuất bản lần đầu vào thứ Hai, ngày 10 tháng 11 năm 2025