KI-Tool umgeht Filter durch Entfernen digitaler Make-ups

Gesichtskosmetik ermöglicht es minderjährigen Nutzern, vor allem Mädchen, Selfie-basierte Altersüberprüfungssysteme auf Plattformen wie Dating-Apps und E-Commerce-Websites zu umgehen. Ein neues KI-Tool bekämpft diese Schwachstelle mit einem diskriminierenden Modell, das darauf trainiert ist, Make-up zu entfernen und gleichzeitig die Gesichtsidentität zu bewahren, wodurch es für Minderjährige schwieriger wird, automatisierte Kontrollen zu täuschen.

Die Nutzung von Selfie-basierten Altersüberprüfungsdiensten von Drittanbietern nimmt zu, angetrieben durch einen globalen Trend zur Online-Altersüberprüfung.

Beispielsweise kann gemäß dem britischen Online Safety Act die Altersüberprüfung durch verschiedene Dienste von Drittanbietern durchgeführt werden, die Methoden wie die visuelle Altersschätzung verwenden, bei der KI das Alter eines Nutzers anhand von Live-Aufnahmen einer Handykamera vorhersagt. Anbieter wie Ondato, TrustStamp und Yoti verwenden diesen Ansatz.

Die Altersschätzung ist jedoch nicht narrensicher. Die langjährigen Bemühungen von Teenagern, Zugang zu Privilegien für Erwachsene zu erhalten, haben dazu geführt, dass sie effektive Wege entwickelt haben, um Zugang zu Dating-Websites, Foren und anderen Plattformen zu erhalten, die für ihre Altersgruppe beschränkt sind.

Eine gängige Methode, insbesondere unter Frauen*, ist das Tragen von Gesichts-Make-up – eine Taktik, die automatisierte Altersschätzungssysteme austrickst, da diese das Alter jüngerer Personen oft überschätzen und das älterer Personen unterschätzen.

Nicht nur die Mädchen

Bevor wir uns mit möglichen Einwänden gegen die Einordnung von Make-up als „frauenorientiert” befassen, ist es wichtig zu beachten, dass Gesichtskosmetik bei jedem Menschen ein unzuverlässiger Indikator für das Geschlecht ist:

In der Studie „Impact of Facial Cosmetics on Automatic Gender and Age Estimation Algorithms” (Auswirkungen von Gesichtskosmetik auf automatische Algorithmen zur Geschlechts- und Altersschätzung) fanden US-Forscher heraus, dass Geschlechtsverifizierungssysteme durch geschlechtsveränderndes Make-up verwirrt wurden. Quelle: https://cse.msu.edu/~rossarun/pubs/ChenCosmeticsGenderAge_VISAPP2014.pdf

Im Jahr 2024 verwendeten schätzungsweise 72 % der männlichen Verbraucher im Alter von 18 bis 24 Jahren in den USA Make-up als Teil ihrer Pflegeroutine – wobei die meisten Kosmetikprodukte verwendeten, um das Aussehen einer gesunden Haut zu verbessern, anstatt die typischerweise mit der Ästhetik von Frauen assoziierten Kombinationen aus Mascara und Lippenstift zu verwenden.

Daher müssen wir uns diesem Thema auf der Grundlage des in aktuellen Forschungsarbeiten untersuchten häufigsten Szenarios nähern: minderjährige Frauen, die Make-up verwenden, um automatisierte visuelle Altersüberprüfungssysteme zu umgehen.

Effektive Make-up-Entfernung – der KI-Weg

Die besprochene Forschung stammt von drei Mitarbeitern der New York University, die die neue Studie „DiffClean: Diffusion-based Makeup Removal for Accurate Age Estimation” (DiffClean: Diffusionsbasierte Make-up-Entfernung für eine genaue Altersschätzung) verfasst haben.

Das Projekt zielt darauf ab, eine KI-gesteuerte Methode zu entwickeln, um Make-up aus Bildern (und möglicherweise Videos) zu entfernen, um das tatsächliche Alter einer Person besser bestimmen zu können.

Aus dem neuen Artikel stammt ein Beispiel, das zeigt, wie die Entfernung von Make-up die Altersvorhersage erheblich verändern kann. Quelle: https://arxiv.org/pdf/2507.13292

Eine Herausforderung bei der Entwicklung eines solchen Systems ist die Sensibilität beim Sammeln oder Kuratieren von Bildern minderjähriger Mädchen, die Make-up für Erwachsene tragen. Um dieses Problem zu lösen, verwendeten die Forscher EleGANt, ein auf einem generativen gegnerischen Netzwerk basierendes System eines Drittanbieters, um Make-up-Stile synthetisch anzuwenden – ein äußerst effektiver Ansatz:

Das EleGANt-System 2022 der Tsinghua-Universität verwendet ein generatives gegnerisches Netzwerk (GAN), um Fotos realistisch mit Kosmetika zu überlagern. Quelle: https://arxiv.org/pdf/2207.09840

Mithilfe der auf diese Weise generierten synthetischen Daten sowie verschiedener Hilfsprojekte und Datensätze übertrafen die Autoren die modernsten Methoden zur Altersschätzung, wenn es um auffälliges oder „performatives” Make-up ging.

In der Veröffentlichung heißt es:

„DiffClean [entfernt] Make-up-Spuren mithilfe eines textgesteuerten Diffusionsmodells, um Make-up-Angriffe abzuwehren. [Es] verbessert die Altersschätzung (Genauigkeit bei Minderjährigen vs. Erwachsenen um 4,8 %) und die Gesichtsverifizierung (TMR um 8,9 % bei FMR=0,01 %) gegenüber konkurrierenden Baselines bei digital simulierten und echten Make-up-Bildern.”

Betrachten wir ihre Methodik.

Methode

Um die Verwendung realer Bilder von Minderjährigen mit Make-up zu vermeiden, haben die Autoren mit EleGANt synthetische Kosmetika auf Bilder aus dem UTKFace-Datensatz angewendet und so Vorher-Nachher-Paare für das Training erstellt.

Beispiele aus dem UTKFace-Datensatz. Quelle: https://susanqq.github.io/UTKFace/

DiffClean wurde dann trainiert, um diese Transformation umzukehren. Da Algorithmen zur Altersschätzung bei jüngeren Altersgruppen die größten Schwierigkeiten haben, entwickelten die Forscher einen Proxy-Altersklassifikator, der auf das Alter von 10 bis 19 Jahren abgestimmt ist. Sie verwendeten die SSRNet-Architektur, die auf UTKFace mit einem gewichteten L1-Verlust trainiert wurde.

Eine optimierte Version des Diffusionsmodells von OpenAI aus dem Jahr 2021 bildete das Rückgrat, ergänzt durch zusätzliche Attention Heads in verschiedenen Auflösungen, tiefere Schichten und Blöcke im BigGAN-Stil, um das Upsampling und Downsampling zu verbessern.

Die Richtungssteuerung wurde mithilfe von CLIP-Prompts implementiert: Gesicht mit Make-up und Gesicht ohne Make-up, wodurch das Modell angeleitet wurde, Make-up zu entfernen und gleichzeitig Gesichtsdetails, Altersmerkmale und Identität zu erhalten.

Synthetisches Make-up, aufgetragen mit EleGANt. Jedes Triplett zeigt das ursprüngliche UTKFace-Bild (links), den Referenz-Make-up-Stil (Mitte) und das Ergebnis nach der Stilübertragung (rechts). Diese Art der Make-up-Übertragung ist in der Computer-Vision-Forschung weit verbreitet und auch in den neuronalen Filtern von Adobe Photoshop verfügbar, mit denen Make-up aus einem Referenzbild auf ein Zielobjekt übertragen werden kann.

Vier wichtige Verlustfunktionen leiteten die Entfernung des Make-ups, ohne die Identität des Gesichts oder Altersmerkmale zu verändern. Neben dem CLIP-basierten Verlust wurden zur Erhaltung der Identität gewichtete ArcFace-Verluste aus der InsightFace-Bibliothek verwendet, die die Ähnlichkeit zwischen dem generierten Gesicht und sowohl dem ursprünglichen sauberen Bild als auch der „geschminkten” Version maßen, um Konsistenz zu gewährleisten.

Drittens verwendete der Wahrnehmungsverlust Learned Perceptual Similarity Metrics (LPIPS) den L1-Abstand, um den Realismus auf Pixelebene zu gewährleisten und das Aussehen des Originalbildes nach der Make-up-Entfernung beizubehalten.

Schließlich verwendete die Altersüberwachung ein auf UTKFace trainiertes, fein abgestimmtes SSRNet mit einem geglätteten L1-Verlust, der Fehler im Alter von 10 bis 29 Jahren, in dem Fehlklassifikationen am häufigsten vorkommen, stärker bestrafte. Eine Variante verwendete einen CLIP-basierten Altersprompt, um das Aussehen eines bestimmten Alters anzupassen.

Für die Altersschätzung zur Inferenzzeit wurde das 2023 MiVOLO-Framework verwendet.

Daten und Tests

Die Feinabstimmung von SSRNet auf UTKFace verwendete 15.364 Trainingsbilder und 6.701 Testbilder. Die ursprünglichen 20.000 Bilder wurden gefiltert, um Personen über 70 auszuschließen, und im Verhältnis 70:30 aufgeteilt.

In Anlehnung an die Methode des 2023 DiffAM-Projekts erfolgte das Training in zwei Phasen: einer ersten Sitzung mit 300 realen Make-up-Bildern aus dem MT-Datensatz von BeautyGAN (200 für das Training, 100 für die Validierung).

Das Modell wurde mit 300 zusätzlichen UTKFace-Bildern weiter verfeinert, die mit synthetischem Make-up über EleGANt ergänzt wurden, was zu einem endgültigen Trainingssatz von 600 Beispielen führte, die über fünf Referenzstile von BeautyGAN gepaart wurden. Da das Entfernen von Make-up das Abbilden mehrerer Stile auf ein einziges sauberes Gesicht beinhaltet, wurde beim Training der Schwerpunkt auf eine breite Generalisierung gelegt, anstatt jede kosmetische Variation abzudecken.

Die Leistung wurde sowohl an synthetischen als auch an realen Bildern bewertet. Für die synthetischen Tests wurden 2.556 Bilder aus dem Flickr-Faces-HQ-Datensatz (FFHQ) verwendet, die gleichmäßig aus neun Altersgruppen unter 70 Jahren ausgewählt und mit EleGANt modifiziert wurden.

Die Verallgemeinerung wurde anhand von 3.000 Bildern aus BeautyFace und 355 Bildern aus LADN bewertet, die beide echtes Make-up zeigen.

Beispiele aus dem BeautyFace-Datensatz, die die semantische Segmentierung zeigen, die verschiedene vom Make-up betroffene Gesichtsbereiche definiert. Quelle: https://li-chongyi.github.io/BeautyREC_files/

Metriken und Implementierung

Als Metriken verwendeten die Autoren den mittleren absoluten Fehler (MAE) zwischen den tatsächlichen Altersangaben und den vorhergesagten Werten (je niedriger, desto besser), die Genauigkeit der Altersgruppen zur Bewertung der korrekten Gruppierung (je niedriger, desto besser) und die Genauigkeit bei Minderjährigen/Erwachsenen zur Bewertung der korrekten Identifizierung von Erwachsenen (je höher, desto besser).

Sie berichteten auch über Metriken zur Identitätsüberprüfung: True Match Rate (TMR) und False Match Rate (FMR) sowie die zugehörigen Receiver Operating Characteristic (ROC)-Werte.

SSRNet wurde auf 64×64px-Bildern mit einer Batchgröße von 50 unter Verwendung des Adam-Optimierers, einer Gewichtsabnahme von 1e−4, einem Cosine-Annealing-Scheduler und einer Lernrate von 1e−3 über 200 Epochen mit vorzeitigem Abbruch feinabgestimmt.

DiffClean erhielt 256×256px-Eingabebilder und wurde für fünf Epochen mit Adam und einer Lernrate von 4e−3 feinabgestimmt. Die Stichprobenahme erfolgte mit 40 DDIM-Inversionsschritten und 6 DDIM-Vorwärtsschritten. Das gesamte Training wurde auf einer einzigen NVIDIA A100-GPU durchgeführt.

Getestet wurden die konkurrierenden Systeme CLIP2Protect und DiffAM. Die Autoren verwendeten „matte” Make-up-Stile, die CLIP2Protect als effektiver empfand.

Um DiffAM als Basis zu replizieren, wurde das vortrainierte Modell von BeautyGAN auf dem MT-Datensatz feinabgestimmt. Für den adversarialen Make-up-Transfer wurde der DiffAM-Checkpoint mit Standardparametern verwendet.

Leistung von DiffClean im Vergleich zu Basiswerten bei Altersschätzungsaufgaben unter Verwendung von MiVOLO. Die angegebenen Metriken sind die Klassifizierungsgenauigkeit für Minderjährige/Erwachsene, die Genauigkeit der Altersgruppe und der mittlere absolute Fehler (MAE). DiffClean mit CLIP-Altersverlust erzielt die besten Ergebnisse bei allen Metriken.

Die Autoren stellen fest:

„[Unsere] Methode DIFFCLEAN übertrifft beide Baselines, CLIP2Protect und DiffAM, und kann die durch Make-up gestörten Altershinweise erfolgreich wiederherstellen, indem sie den MAE (auf 5,71) senkt und die Gesamtgenauigkeit der Altersgruppenvorhersage (auf 37 %) verbessert.

Unser Ziel konzentrierte sich auf minderjährige Altersgruppen, und die Ergebnisse zeigen, dass wir eine überlegene Klassifizierung von Minderjährigen gegenüber Erwachsenen von 88,6 % erreichen.“

Ergebnisse der Make-up-Entfernung mit den Baseline- und den vorgeschlagenen Methoden. Die Spalte ganz links zeigt die Ausgangsbilder, die nächste Spalte die Ergebnisse von CLIP2Protect und DiffAM. Die dritte Spalte zeigt die Ergebnisse von DiffClean über SSRNet und CLIP-basierten Altersverlust. Die Autoren behaupten, dass DiffClean Make-up effektiver entfernt und dabei die in CLIP2Protect zu beobachtende Verzerrung der Merkmale sowie die von DiffAM übersehenen Make-up-Reste vermeidet.

Die Autoren stellen fest, dass Make-up das wahrgenommene Alter nicht einheitlich beeinflusst – es kann das Alter erhöhen, verringern oder unverändert lassen. Daher wendet DiffClean keine pauschale Verringerung des vorhergesagten Alters an, sondern zielt darauf ab, die ursprünglichen Altersindikatoren wiederherzustellen, indem kosmetische Spuren entfernt werden:

Beispiele für die Entfernung von Make-up aus den Datensätzen CelebA-HQ und CACD. Jede Spalte zeigt ein Bildpaar vor (links) und nach (rechts) der Entfernung des Make-ups. In der ersten Spalte nimmt das vorhergesagte Alter nach der Entfernung des Make-ups ab, in der zweiten bleibt es unverändert und in der dritten nimmt es zu.

Um die Generalisierung zu testen, wurde DiffClean auf den Datensätzen BeautyFace und LADN ausgeführt, die echtes Make-up, aber keine gepaarten sauberen Bilder enthalten. Die Altersvorhersagen vor und nach der Make-up-Entfernung wurden verglichen, um zu messen, wie gut DiffClean die durch Make-up verursachten Verzerrungen reduziert hat:

Ergebnisse der Make-up-Entfernung auf realen Bildern aus den Datensätzen LADN (linkes Paar) und BeautyFace (rechtes Paar). DiffClean reduziert das vorhergesagte Alter durch Entfernen von Kosmetika und verringert so die Differenz zwischen dem scheinbaren und dem tatsächlichen Alter. Die weißen Zahlen zeigen das geschätzte Alter vor und nach der Verarbeitung.

Die Ergebnisse zeigten, dass DiffClean die Lücke zwischen dem scheinbaren und dem tatsächlichen Alter durchweg verringerte und die Fehler der Über- und Unterschätzung um durchschnittlich etwa drei Jahre reduzierte, was auf eine starke Generalisierung auf reale Kosmetikstile hindeutet.

Fazit

Es ist faszinierend und vielleicht unvermeidlich, dass auffälliges Make-up gegnerisch eingesetzt wird. Da Mädchen unterschiedlich schnell reifen, aber als Gruppe im Allgemeinen schneller, ist die Identifizierung des Übergangs vom Status einer Minderjährigen zu einer erwachsenen Frau eine der ehrgeizigsten Herausforderungen in diesem Forschungsbereich.

Im Laufe der Zeit könnten Daten jedoch konsistente altersbezogene Indikatoren offenbaren, die als Grundlage für visuelle Altersüberprüfungssysteme dienen können.

* Angesichts der Sensibilität dieses Themas und da „Mädchen” ausgrenzend ist (während „Frauen und Mädchen”, der derzeit akzeptierte Begriff für Personen weiblichen Geschlechts, hier nicht passt), habe ich „Frauen” als besten verfügbaren Kompromiss verwendet – auch wenn dieser nicht alle demografischen Nuancen erfasst, wofür ich mich entschuldige.

^†In diesem Artikel bezieht sich „performativ“ auf Make-up, das sichtbar sein und als solches erkannt werden soll, wie Mascara, Eyeliner, Rouge und Foundation, im Gegensatz zu abdeckenden Cremes und anderen subtilen kosmetischen Anwendungen.

Erstveröffentlichung: Freitag, 18. Juli 2025