家AIツールがデジタルメイクを除去することでフィルターを回避
顔用化粧品により、主に少女を中心とした未成年ユーザーが、デートアプリやECサイトなどのプラットフォームにおける自撮りベースの年齢確認システムを回避できるようになっている。新たなAIツールは、顔の特徴を保持しつつ化粧を除去するよう訓練された識別モデルでこの脆弱性に対処し、未成年者が自動チェックを欺くことを困難にしている。
オンライン年齢確認の世界的な潮流を背景に、サードパーティの自撮りベース年齢確認サービスの採用が拡大している。
例えば英国のオンライン安全法では、AIがモバイルカメラのライブ映像からユーザーの年齢を予測する「視覚的年齢推定」など、様々なサードパーティサービスによる年齢確認が認められている。Ondato、TrustStamp、Yotiなどのプロバイダーがこの手法を採用している。
しかし年齢推定は完全ではない。ティーンエイジャーが長年、成人向け特権にアクセスしようと試みる中で、年齢制限のある出会い系サイトやフォーラムなどへの効果的な侵入方法を編み出してきた。
特に女性*の間で一般的な手法の一つは、顔にメイクを施すことだ。これは自動年齢推定システムを欺くことが知られており、こうしたシステムは若年層の年齢を過大評価し、高齢層の年齢を過小評価する傾向がある。
女の子だけじゃない
化粧を「女性中心」と位置付けることへの反論に先立ち、顔の化粧は誰であっても性別を判断する信頼できる指標ではない点に留意すべきだ：
米国研究者による『顔面化粧が自動性別・年齢推定アルゴリズムに与える影響』では、性別検証システムが性別転換メイクに混乱することが判明した。出典: https://cse.msu.edu/~rossarun/pubs/ChenCosmeticsGenderAge_VISAPP2014.pdf
2024年時点で、18～24歳の米国男性消費者の約72%が身だしなみルーティンにメイクを取り入れていた——ただし大半は、女性的な美意識と結びつけられるマスカラや口紅の組み合わせではなく、健康的な肌の見え方を向上させる化粧品を使用していた。
したがって、本テーマには最近の研究で最も頻繁に検討されているシナリオ、すなわち自動視覚年齢確認システムを回避するために化粧を利用する未成年女性を前提にアプローチする必要がある。
効果的なメイクアップ除去 – AIによる手法
本研究はニューヨーク大学の3名の研究者によるもので、新論文『DiffClean: 正確な年齢推定のための拡散ベース化粧除去』を発表した。
このプロジェクトは、画像（および将来的に動画）から化粧の見た目を除去し、人物の実際の年齢をより正確に判定するためのAI駆動型手法の開発を目的としている。
新論文から、メイク除去が年齢予測を大きく変える可能性を示す例。出典：https://arxiv.org/pdf/2507.13292
このシステム開発における課題の一つは、成人向けメイクを施した未成年少女の画像収集・管理の倫理的配慮である。研究者らはこの問題に対処するため、サードパーティのGAN（Generative Adversarial Network）ベースシステム「EleGANt」を用いてメイクスタイルを合成的に適用する手法を採用した。これは極めて効果的なアプローチである：
清華大学の2022年EleGANtシステムは、生成対抗ネットワーク（GAN）を用いて、ソース写真に現実的な化粧を重ねる。出典: https://arxiv.org/pdf/2207.09840
このように生成された合成データと、様々な補助プロジェクトやデータセットを組み合わせることで、著者は顕著な、あるいは「パフォーマンス的な」メイクアップを扱う際に、最先端の年齢推定手法を上回る成果を達成した。
論文では次のように述べている：
「DiffCleanは、テキスト誘導拡散モデルを用いて化粧の痕跡を消去し、化粧攻撃に対抗する。デジタル合成および実写の化粧画像において、競合ベースラインと比較し、年齢推定（未成年者 vs 成人の精度を4.8%向上）および顔認証（FMR=0.01%時のTMRを8.9%向上）を改善する。」
その手法を検証しよう。
方法
未成年者の実メイク画像使用を回避するため、著者らはEleGANtを用いてUTKFaceデータセットの画像に合成化粧品を適用し、トレーニング用の前後ペアを作成した。
UTKFaceデータセットからの例。出典: https://susanqq.github.io/UTKFace/
次にDiffCleanをこの変換を逆転させるよう訓練した。年齢推定アルゴリズムは若年層で最も困難となるため、研究者らは10～19歳向けに微調整した代理年齢分類器を開発した。UTKFaceで訓練したSSRNetアーキテクチャを重み付きL1損失で用いた。
基盤にはOpenAIの2021年拡散モデルの簡略版を採用し、アップサンプリングとダウンサンプリングを強化するため、複数の解像度でのアテンションヘッド、深層化、BigGANスタイルのブロックを追加した。
方向制御にはCLIPプロンプトを採用：メイクあり顔とメイクなし顔を提示し、顔の詳細・年齢情報・個人識別特性を保持しつつメイクを除去するようモデルを誘導した。
合成メイクはEleGANtを用いて適用。各トリプレットは元のUTKFace画像（左）、参照メイクスタイル（中央）、スタイル転送後の結果（右）を示す。この種のメイク転送はコンピュータビジョン研究で一般的であり、Adobe Photoshopのニューラルフィルターでも利用可能で、参照画像から対象画像へメイクを適用できる。
4つの主要損失関数が、顔のアイデンティティや年齢の手がかりを変えずにメイク除去を導いた。CLIPベースの損失に加え、アイデンティティ保持にはInsightFaceライブラリの加重ArcFace損失を使用。生成された顔と元のクリーン画像、および「メイク済み」バージョンの両方の類似性を測定し、一貫性を確保した。
第三に、知覚損失「Learned Perceptual Similarity Metrics（LPIPS）」はL1距離を用い、ピクセルレベルのリアリズムを強制し、メイク除去後も元の画像の外観を維持した。
最後に、年齢推定にはUTKFaceで学習した微調整済みSSRNetを採用し、誤分類が最も頻発する10～29歳層で誤差を厳しく罰する平滑化L1損失を適用した。変種では特定年齢の外観を再現するためCLIPベースの年齢プロンプトを使用した。
推論時の年齢推定には、2023年のMiVOLOフレームワークを採用した。
データとテスト
UTKFaceでのSSRNet微調整には、15,364枚の訓練画像と6,701枚のテスト画像を使用した。元の20,000枚の画像から70歳以上の個人を除外し、70:30の比率で分割した。
2023年のDiffAMプロジェクトの手法に従い、トレーニングは2段階で実施された：初期セッションではBeautyGANのMTデータセットから300枚の実世界メイク画像（トレーニング用200枚、検証用100枚）を使用。
モデルはさらに、EleGANtによる合成メイクアップで拡張された追加のUTKFace画像300枚を用いて改良され、最終的なトレーニングセットはBeautyGANの5つの参照スタイルにまたがる600例のペアとなった。メイクアップ除去は複数のスタイルを単一のクリーンな顔にマッピングすることを含むため、トレーニングではあらゆる化粧のバリエーションを網羅することよりも、広範な一般化を重視した。
性能評価は合成画像と実世界の画像の両方で行った。合成テストにはFlickr-Faces-HQデータセット（FFHQ）から70歳未満の9つの年齢層に均等にサンプリングした2,556枚の画像を使用し、EleGANtで加工した。
一般化能力は、BeautyFaceの3,000枚とLADNの355枚（いずれも実際のメイクを施した画像）を用いて評価した。
BeautyFaceデータセットからの例。化粧の影響を受ける異なる顔領域を定義するセマンティックセグメンテーションを示す。出典: https://li-chongyi.github.io/BeautyREC_files/
評価指標と実装
評価指標として、著者らは以下の指標を使用した：- 真の年齢と予測値の間の平均絶対誤差（MAE）（小さいほど良い）- 正しいグループ分けを評価する年齢層の正確性（小さいほど良い）- 成人の正しい識別を評価する未成年/成人の正確性（大きいほど良い）
また、本人確認指標として真陽性率（TMR）と偽陽性率（FMR）、および関連する受信者動作特性曲線（ROC）値を報告した。
SSRNetは64×64px画像で微調整され、バッチサイズ50、Adamオプティマイザー、重み減衰1e−4、コサインアニーリングスケジューラー、学習率1e−3を適用し、早期停止付きで200エポック学習した。
DiffCleanは256×256px入力画像を受け取り、学習率4e−3のAdamを用いて5エポックの微調整を実施。サンプリングには40回のDDIM逆変換ステップと6回のDDIM順変換ステップを使用。全トレーニングは単一のNVIDIA A100 GPU上で実行。
比較対象システムとしてCLIP2ProtectとDiffAMをテストした。著者らは「マット」メイクスタイルを使用したが、CLIP2Protectの方が効果的であった。
ベースラインとしてDiffAMを再現するため、BeautyGANの事前学習済みモデルをMTデータセットで微調整した。敵対的メイクアップ転送には、DiffAMのチェックポイントとデフォルトパラメータを使用した。
MiVOLOを用いた年齢推定タスクにおけるDiffCleanとベースラインの比較性能。報告された指標は未成年/成人分類精度、年齢層分類精度、平均絶対誤差（MAE）である。CLIP年齢損失を用いたDiffCleanが全指標で最良の結果を達成した。
著者らは次のように述べている：
「[我々の]手法DIFFCLEANは、ベースラインであるCLIP2ProtectとDiffAMの両方を上回り、MAEを5.71に低減し、年齢層予測精度を37%に向上させることで、メイクアップによって妨げられた年齢手がかりを回復できる。
「我々の目的は未成年年齢層に焦点を当てており、結果は未成年と成人の年齢分類において88.6%という優れた精度を達成したことを示している。」
ベースライン手法と提案手法による化粧除去結果。左端列がソース画像、次列がCLIP2ProtectとDiffAMの出力結果。3列目がSSRNet経由のDiffCleanとCLIPベース年齢損失による結果。著者らはDiffCleanがCLIP2Protectで見られる特徴歪みやDiffAMが取り残す化粧残留物を回避し、より効果的に化粧を除去すると主張する。
著者らは、メイクが知覚年齢に均一に影響するわけではない（増加・減少・変化なし）と指摘。したがってDiffCleanは予測年齢を一律に減らすのではなく、化粧の痕跡を除去することで本来の年齢指標を復元することを目的としている：
CelebA-HQおよびCACDデータセットからの化粧除去例。各列は化粧除去前（左）と除去後（右）の画像ペアを示す。第1列では化粧除去後に予測年齢が低下、第2列では変化なし、第3列では上昇する。
汎化性能を検証するため、DiffCleanをBeautyFaceおよびLADNデータセットで実行した。これらは実際のメイクを含むが対応する無メイク画像を持たない。メイク除去前後の年齢予測値を比較し、DiffCleanがメイクによる歪みをどれだけ低減できたかを測定した：
LADN（左ペア）およびBeautyFace（右ペア）データセットの実世界画像におけるメイク除去結果。DiffCleanは化粧を除去することで予測年齢を低下させ、見た目年齢と実年齢の差を縮小する。白文字は処理前後の推定年齢を示す。
結果から、DiffCleanは外見年齢と実年齢の差を一貫して縮小し、過大評価・過小評価の誤差を平均約3年減少させることが示された。これは実世界の化粧スタイルに対する強力な汎化能力を示している。
結論
顕著な化粧が敵対的に利用されるのは興味深く、おそらく必然的な現象である。少女の成熟速度は個人差があるものの、集団としては一般的に早い傾向にあるため、未成年から成人女性への移行を識別することは、この研究分野における最も野心的な課題の一つである。
それでも、時間の経過とともに、視覚的な年齢検証システムを固定するための一貫した年齢関連指標がデータから明らかになる可能性がある。
* 本テーマの敏感な性質を考慮し、「少女」という表現が排他的であること（「女性と少女」という現在受け入れられている女性性を持つ人々の呼称は本文に適合しない）、また「女性」という表現が全てのデモグラフィックなニュアンスを捉えきれない点についてお詫びしつつ、最善の妥協案として「女性」という表現を採用した。
†本記事における「パフォーマンス性のある」とは、マスカラ、アイライナー、チーク、ファンデーションなど、視認され認識されることを意図したメイクを指し、隠蔽クリームやその他の控えめな化粧法とは対照的である。
初出：2025年7月18日（金）
関連記事
Wan-Streamer v0.2は超低遅延のAIチャットを提供します
現代技術が急速に進歩するにつれ、人間とAIの相互作用はより一般的になっています。従来のビデオ通話では、ラグ、遅延、音声と映像の非同期といった問題にしばしば直面します。Tongyi Labによる最新リリースであるWan-Streamer v0.2は、これらの課題を完全に克服し、わずか550ミリ秒の応答遅延で、真に自然な「対面」コミュニケーションを可能にします。Wan-Streamer v0.2は、新しいエンドツーエンドのマルチモーダル理解および生成モデルです。単一のTransformerモデル内で
MetaはTSMCとMicronの参加を得て、旧型メモリを搭載した新規サーバーを整備する
人工知能の採用が世界中で加速する中、次世代DDR5メモリは深刻な供給不足に直面しています。AIデータセンターの展開における遅延を回避するため、MetaはTSMCやMicronといった業界のリーダーと提携し、画期的な過渡期のソリューションを開発しました。この革新により、従来DDR5専用に設計されていた高度なAIサーバーが、従来のDDR4モジュールとシームレスに動作できるようになりました。「フランケンシュタイン」構成と称されるこのシステムは、実世界のテストで顕著な安定性を示し、現在進行中のサプライチ
時系列データベースがリアルタイムのロボティクスデータをどのように支えるか
タイガー・データのドグ・パグヌッティ。パグヌッティ氏は、タイガー・データで産業用開発者エバンジェリストを務め、実世界の産業システムの構築を支援するチームをサポートしています。石油・ガスおよび製造業の自動化分野で12年以上の経験を持つ彼は、PLC、ロボット、SCADAシステムに取り組み、その後Dell EMCおよびVTScadaでの産業用ソフトウェア開発に移行しました。彼は、大規模なIIoT展開における時系列データインフラストラクチャの課題を自動化エンジニアが解決するのを支援することで、OTとIT
関連特集おすすめ
デザインとアート
おすすめのAIイラスト作成ツール：編集用シーンや表紙アートを素早く作成
2026年最新・高評価のAIイラストレーションツール：当サイトが厳選したこのリストには、見事な編集用シーンや人目を引く表紙アートを素早く作成できる、高性能なツールが掲載されています。各ツールは実環境での厳格なテストを経ており、無料版と有料版の比較も掲載されているため、ご自身のワークフローに最適なツールを見つけるのに役立ちます。 今すぐこれらの「必見」ソリューションを試して、AIの力を最大限に活用し、クリエイティブな生産性を高めましょう。XIX.AIで今すぐチェックしてください。
10 ツール
xix.ai
教育と学習
試験対策に最適なAIチューター：数学、理科、英語の練習
2026年最新の、試験対策で高評価を得ている最高のAIチューターがXIX.AIに登場！厳選されたこのリストには、無料版と有料版の比較、実戦的なテスト、毎週更新されるランキングなどを提供する、画期的なツールが勢ぞろいしています。これらは、ライティングの効率を高め、複雑なトピックの学習を簡素化し、あなたの学業的な可能性を引き出すのに役立ちます。 今すぐチェックして、あなたにぴったりの試験対策ツールを見つけ、今日から作成を始めて、AIの力を最大限に活用しましょう！
10 ツール
xix.ai
ファイナンス
個人のお金管理のためのAI予算計画ツール
2026年の最新・最高評価のAI予算管理ツールがXIX.AIで登場！この厳選コレクションは、現実的なテストを行い、支出習慣を理解し、生産性を高めるためのパーソナライズされた計画を作成するのに役立つ革新的なソリューションを提供しています。無料版と有料版の比較や詳細なランキングもご用意しています。お金の管理を簡素化し、AIの優位性を引き出すためにぜひ試してほしいツールです。今すぐチェックしましょう！
11 ツール
xix.ai
健康とウェルネス
AI睡眠追跡アシスタント：より良い就寝習慣で回復力を高める
2026年最新かつ最高評価を受けているAI睡眠追跡アシスタントを厳選し、最適な回復を実現できるようご紹介します。完全に更新されたこの週間ガイドには、実際のテスト結果や無料版と有料版の比較、詳細なランキングなど、睡眠の質を向上させてより良い就寝習慣をサポートする最適なソリューションを見つけるのに役立つ強力なツールが掲載されています。今すぐXIX.AIでご覧ください。
10 ツール
xix.ai
データ分析
製品および収益分析のためのAI SQLコパイロット
2026年版 製品・収益分析に最適な、高評価のAI SQLコパイロット最新ランキング！ XIX.AIは、毎週更新されるランキングを通じて実環境でのテストを経た、強力で画期的な「ぜひ試すべきツール」を厳選しました。これらのツールは、データ分析を加速させ、複雑なクエリを効率化し、正確なインサイトを生成することで、ユーザーの生産性を大幅に向上させ、より賢明なビジネス意思決定を後押しします。今すぐチェックして、AIの真価を引き出すあなたにぴったりのツールを見つけましょう！
14 ツール
xix.ai
教育と学習
学びを促進する最高のAI宿題支援ツール：答えだけでなく、概念を学べる
2026年最新・最高評価のAI宿題サポートツール。単なる答えだけでなく、核心となる概念を教える、学生にとって強力なツール。ぜひ試してほしい厳選リスト。毎週更新。無料版と有料版の比較、実地テストによる正確なランキングで、あなたの学習能力を最大限に引き出します。今すぐチェックして、よりスマートな学習を実現するあなたにぴったりのツールを見つけましょう。
10 ツール
xix.ai
コメント (0)
0/500
顔用化粧品により、主に少女を中心とした未成年ユーザーが、デートアプリやECサイトなどのプラットフォームにおける自撮りベースの年齢確認システムを回避できるようになっている。新たなAIツールは、顔の特徴を保持しつつ化粧を除去するよう訓練された識別モデルでこの脆弱性に対処し、未成年者が自動チェックを欺くことを困難にしている。
オンライン年齢確認の世界的な潮流を背景に、サードパーティの自撮りベース年齢確認サービスの採用が拡大している。
例えば英国のオンライン安全法では、AIがモバイルカメラのライブ映像からユーザーの年齢を予測する「視覚的年齢推定」など、様々なサードパーティサービスによる年齢確認が認められている。Ondato、TrustStamp、Yotiなどのプロバイダーがこの手法を採用している。
しかし年齢推定は完全ではない。ティーンエイジャーが長年、成人向け特権にアクセスしようと試みる中で、年齢制限のある出会い系サイトやフォーラムなどへの効果的な侵入方法を編み出してきた。
特に女性*の間で一般的な手法の一つは、顔にメイクを施すことだ。これは自動年齢推定システムを欺くことが知られており、こうしたシステムは若年層の年齢を過大評価し、高齢層の年齢を過小評価する傾向がある。
女の子だけじゃない
化粧を「女性中心」と位置付けることへの反論に先立ち、顔の化粧は誰であっても性別を判断する信頼できる指標ではない点に留意すべきだ：
米国研究者による『顔面化粧が自動性別・年齢推定アルゴリズムに与える影響』では、性別検証システムが性別転換メイクに混乱することが判明した。出典: https://cse.msu.edu/~rossarun/pubs/ChenCosmeticsGenderAge_VISAPP2014.pdf
2024年時点で、18～24歳の米国男性消費者の約72%が身だしなみルーティンにメイクを取り入れていた——ただし大半は、女性的な美意識と結びつけられるマスカラや口紅の組み合わせではなく、健康的な肌の見え方を向上させる化粧品を使用していた。
したがって、本テーマには最近の研究で最も頻繁に検討されているシナリオ、すなわち自動視覚年齢確認システムを回避するために化粧を利用する未成年女性を前提にアプローチする必要がある。
効果的なメイクアップ除去 – AIによる手法
本研究はニューヨーク大学の3名の研究者によるもので、新論文『DiffClean: 正確な年齢推定のための拡散ベース化粧除去』を発表した。
このプロジェクトは、画像（および将来的に動画）から化粧の見た目を除去し、人物の実際の年齢をより正確に判定するためのAI駆動型手法の開発を目的としている。
新論文から、メイク除去が年齢予測を大きく変える可能性を示す例。出典：https://arxiv.org/pdf/2507.13292
このシステム開発における課題の一つは、成人向けメイクを施した未成年少女の画像収集・管理の倫理的配慮である。研究者らはこの問題に対処するため、サードパーティのGAN（Generative Adversarial Network）ベースシステム「EleGANt」を用いてメイクスタイルを合成的に適用する手法を採用した。これは極めて効果的なアプローチである：
清華大学の2022年EleGANtシステムは、生成対抗ネットワーク（GAN）を用いて、ソース写真に現実的な化粧を重ねる。出典: https://arxiv.org/pdf/2207.09840
このように生成された合成データと、様々な補助プロジェクトやデータセットを組み合わせることで、著者は顕著な、あるいは「パフォーマンス的な」メイクアップを扱う際に、最先端の年齢推定手法を上回る成果を達成した。
論文では次のように述べている：
「DiffCleanは、テキスト誘導拡散モデルを用いて化粧の痕跡を消去し、化粧攻撃に対抗する。デジタル合成および実写の化粧画像において、競合ベースラインと比較し、年齢推定（未成年者 vs 成人の精度を4.8%向上）および顔認証（FMR=0.01%時のTMRを8.9%向上）を改善する。」
その手法を検証しよう。
方法
未成年者の実メイク画像使用を回避するため、著者らはEleGANtを用いてUTKFaceデータセットの画像に合成化粧品を適用し、トレーニング用の前後ペアを作成した。
UTKFaceデータセットからの例。出典: https://susanqq.github.io/UTKFace/
次にDiffCleanをこの変換を逆転させるよう訓練した。年齢推定アルゴリズムは若年層で最も困難となるため、研究者らは10～19歳向けに微調整した代理年齢分類器を開発した。UTKFaceで訓練したSSRNetアーキテクチャを重み付きL1損失で用いた。
基盤にはOpenAIの2021年拡散モデルの簡略版を採用し、アップサンプリングとダウンサンプリングを強化するため、複数の解像度でのアテンションヘッド、深層化、BigGANスタイルのブロックを追加した。
方向制御にはCLIPプロンプトを採用：メイクあり顔とメイクなし顔を提示し、顔の詳細・年齢情報・個人識別特性を保持しつつメイクを除去するようモデルを誘導した。
合成メイクはEleGANtを用いて適用。各トリプレットは元のUTKFace画像（左）、参照メイクスタイル（中央）、スタイル転送後の結果（右）を示す。この種のメイク転送はコンピュータビジョン研究で一般的であり、Adobe Photoshopのニューラルフィルターでも利用可能で、参照画像から対象画像へメイクを適用できる。
4つの主要損失関数が、顔のアイデンティティや年齢の手がかりを変えずにメイク除去を導いた。CLIPベースの損失に加え、アイデンティティ保持にはInsightFaceライブラリの加重ArcFace損失を使用。生成された顔と元のクリーン画像、および「メイク済み」バージョンの両方の類似性を測定し、一貫性を確保した。
第三に、知覚損失「Learned Perceptual Similarity Metrics（LPIPS）」はL1距離を用い、ピクセルレベルのリアリズムを強制し、メイク除去後も元の画像の外観を維持した。
最後に、年齢推定にはUTKFaceで学習した微調整済みSSRNetを採用し、誤分類が最も頻発する10～29歳層で誤差を厳しく罰する平滑化L1損失を適用した。変種では特定年齢の外観を再現するためCLIPベースの年齢プロンプトを使用した。
推論時の年齢推定には、2023年のMiVOLOフレームワークを採用した。
データとテスト
UTKFaceでのSSRNet微調整には、15,364枚の訓練画像と6,701枚のテスト画像を使用した。元の20,000枚の画像から70歳以上の個人を除外し、70:30の比率で分割した。
2023年のDiffAMプロジェクトの手法に従い、トレーニングは2段階で実施された：初期セッションではBeautyGANのMTデータセットから300枚の実世界メイク画像（トレーニング用200枚、検証用100枚）を使用。
モデルはさらに、EleGANtによる合成メイクアップで拡張された追加のUTKFace画像300枚を用いて改良され、最終的なトレーニングセットはBeautyGANの5つの参照スタイルにまたがる600例のペアとなった。メイクアップ除去は複数のスタイルを単一のクリーンな顔にマッピングすることを含むため、トレーニングではあらゆる化粧のバリエーションを網羅することよりも、広範な一般化を重視した。
性能評価は合成画像と実世界の画像の両方で行った。合成テストにはFlickr-Faces-HQデータセット（FFHQ）から70歳未満の9つの年齢層に均等にサンプリングした2,556枚の画像を使用し、EleGANtで加工した。
一般化能力は、BeautyFaceの3,000枚とLADNの355枚（いずれも実際のメイクを施した画像）を用いて評価した。
BeautyFaceデータセットからの例。化粧の影響を受ける異なる顔領域を定義するセマンティックセグメンテーションを示す。出典: https://li-chongyi.github.io/BeautyREC_files/
評価指標と実装
評価指標として、著者らは以下の指標を使用した：- 真の年齢と予測値の間の平均絶対誤差（MAE）（小さいほど良い）- 正しいグループ分けを評価する年齢層の正確性（小さいほど良い）- 成人の正しい識別を評価する未成年/成人の正確性（大きいほど良い）
また、本人確認指標として真陽性率（TMR）と偽陽性率（FMR）、および関連する受信者動作特性曲線（ROC）値を報告した。
SSRNetは64×64px画像で微調整され、バッチサイズ50、Adamオプティマイザー、重み減衰1e−4、コサインアニーリングスケジューラー、学習率1e−3を適用し、早期停止付きで200エポック学習した。
DiffCleanは256×256px入力画像を受け取り、学習率4e−3のAdamを用いて5エポックの微調整を実施。サンプリングには40回のDDIM逆変換ステップと6回のDDIM順変換ステップを使用。全トレーニングは単一のNVIDIA A100 GPU上で実行。
比較対象システムとしてCLIP2ProtectとDiffAMをテストした。著者らは「マット」メイクスタイルを使用したが、CLIP2Protectの方が効果的であった。
ベースラインとしてDiffAMを再現するため、BeautyGANの事前学習済みモデルをMTデータセットで微調整した。敵対的メイクアップ転送には、DiffAMのチェックポイントとデフォルトパラメータを使用した。
MiVOLOを用いた年齢推定タスクにおけるDiffCleanとベースラインの比較性能。報告された指標は未成年/成人分類精度、年齢層分類精度、平均絶対誤差（MAE）である。CLIP年齢損失を用いたDiffCleanが全指標で最良の結果を達成した。
著者らは次のように述べている：
「[我々の]手法DIFFCLEANは、ベースラインであるCLIP2ProtectとDiffAMの両方を上回り、MAEを5.71に低減し、年齢層予測精度を37%に向上させることで、メイクアップによって妨げられた年齢手がかりを回復できる。
「我々の目的は未成年年齢層に焦点を当てており、結果は未成年と成人の年齢分類において88.6%という優れた精度を達成したことを示している。」
ベースライン手法と提案手法による化粧除去結果。左端列がソース画像、次列がCLIP2ProtectとDiffAMの出力結果。3列目がSSRNet経由のDiffCleanとCLIPベース年齢損失による結果。著者らはDiffCleanがCLIP2Protectで見られる特徴歪みやDiffAMが取り残す化粧残留物を回避し、より効果的に化粧を除去すると主張する。
著者らは、メイクが知覚年齢に均一に影響するわけではない（増加・減少・変化なし）と指摘。したがってDiffCleanは予測年齢を一律に減らすのではなく、化粧の痕跡を除去することで本来の年齢指標を復元することを目的としている：
CelebA-HQおよびCACDデータセットからの化粧除去例。各列は化粧除去前（左）と除去後（右）の画像ペアを示す。第1列では化粧除去後に予測年齢が低下、第2列では変化なし、第3列では上昇する。
汎化性能を検証するため、DiffCleanをBeautyFaceおよびLADNデータセットで実行した。これらは実際のメイクを含むが対応する無メイク画像を持たない。メイク除去前後の年齢予測値を比較し、DiffCleanがメイクによる歪みをどれだけ低減できたかを測定した：
LADN（左ペア）およびBeautyFace（右ペア）データセットの実世界画像におけるメイク除去結果。DiffCleanは化粧を除去することで予測年齢を低下させ、見た目年齢と実年齢の差を縮小する。白文字は処理前後の推定年齢を示す。
結果から、DiffCleanは外見年齢と実年齢の差を一貫して縮小し、過大評価・過小評価の誤差を平均約3年減少させることが示された。これは実世界の化粧スタイルに対する強力な汎化能力を示している。
結論
顕著な化粧が敵対的に利用されるのは興味深く、おそらく必然的な現象である。少女の成熟速度は個人差があるものの、集団としては一般的に早い傾向にあるため、未成年から成人女性への移行を識別することは、この研究分野における最も野心的な課題の一つである。
それでも、時間の経過とともに、視覚的な年齢検証システムを固定するための一貫した年齢関連指標がデータから明らかになる可能性がある。
* 本テーマの敏感な性質を考慮し、「少女」という表現が排他的であること（「女性と少女」という現在受け入れられている女性性を持つ人々の呼称は本文に適合しない）、また「女性」という表現が全てのデモグラフィックなニュアンスを捉えきれない点についてお詫びしつつ、最善の妥協案として「女性」という表現を採用した。
†本記事における「パフォーマンス性のある」とは、マスカラ、アイライナー、チーク、ファンデーションなど、視認され認識されることを意図したメイクを指し、隠蔽クリームやその他の控えめな化粧法とは対照的である。
初出：2025年7月18日（金）
Wan-Streamer v0.2は超低遅延のAIチャットを提供します
現代技術が急速に進歩するにつれ、人間とAIの相互作用はより一般的になっています。従来のビデオ通話では、ラグ、遅延、音声と映像の非同期といった問題にしばしば直面します。Tongyi Labによる最新リリースであるWan-Streamer v0.2は、これらの課題を完全に克服し、わずか550ミリ秒の応答遅延で、真に自然な「対面」コミュニケーションを可能にします。Wan-Streamer v0.2は、新しいエンドツーエンドのマルチモーダル理解および生成モデルです。単一のTransformerモデル内で
MetaはTSMCとMicronの参加を得て、旧型メモリを搭載した新規サーバーを整備する
人工知能の採用が世界中で加速する中、次世代DDR5メモリは深刻な供給不足に直面しています。AIデータセンターの展開における遅延を回避するため、MetaはTSMCやMicronといった業界のリーダーと提携し、画期的な過渡期のソリューションを開発しました。この革新により、従来DDR5専用に設計されていた高度なAIサーバーが、従来のDDR4モジュールとシームレスに動作できるようになりました。「フランケンシュタイン」構成と称されるこのシステムは、実世界のテストで顕著な安定性を示し、現在進行中のサプライチ
時系列データベースがリアルタイムのロボティクスデータをどのように支えるか
タイガー・データのドグ・パグヌッティ。パグヌッティ氏は、タイガー・データで産業用開発者エバンジェリストを務め、実世界の産業システムの構築を支援するチームをサポートしています。石油・ガスおよび製造業の自動化分野で12年以上の経験を持つ彼は、PLC、ロボット、SCADAシステムに取り組み、その後Dell EMCおよびVTScadaでの産業用ソフトウェア開発に移行しました。彼は、大規模なIIoT展開における時系列データインフラストラクチャの課題を自動化エンジニアが解決するのを支援することで、OTとIT
2026年最新・高評価のAIイラストレーションツール：当サイトが厳選したこのリストには、見事な編集用シーンや人目を引く表紙アートを素早く作成できる、高性能なツールが掲載されています。各ツールは実環境での厳格なテストを経ており、無料版と有料版の比較も掲載されているため、ご自身のワークフローに最適なツールを見つけるのに役立ちます。 今すぐこれらの「必見」ソリューションを試して、AIの力を最大限に活用し、クリエイティブな生産性を高めましょう。XIX.AIで今すぐチェックしてください。
10 ツール
xix.ai
2026年最新の、試験対策で高評価を得ている最高のAIチューターがXIX.AIに登場！厳選されたこのリストには、無料版と有料版の比較、実戦的なテスト、毎週更新されるランキングなどを提供する、画期的なツールが勢ぞろいしています。これらは、ライティングの効率を高め、複雑なトピックの学習を簡素化し、あなたの学業的な可能性を引き出すのに役立ちます。 今すぐチェックして、あなたにぴったりの試験対策ツールを見つけ、今日から作成を始めて、AIの力を最大限に活用しましょう！
10 ツール
xix.ai
2026年の最新・最高評価のAI予算管理ツールがXIX.AIで登場！この厳選コレクションは、現実的なテストを行い、支出習慣を理解し、生産性を高めるためのパーソナライズされた計画を作成するのに役立つ革新的なソリューションを提供しています。無料版と有料版の比較や詳細なランキングもご用意しています。お金の管理を簡素化し、AIの優位性を引き出すためにぜひ試してほしいツールです。今すぐチェックしましょう！
11 ツール
xix.ai
2026年最新かつ最高評価を受けているAI睡眠追跡アシスタントを厳選し、最適な回復を実現できるようご紹介します。完全に更新されたこの週間ガイドには、実際のテスト結果や無料版と有料版の比較、詳細なランキングなど、睡眠の質を向上させてより良い就寝習慣をサポートする最適なソリューションを見つけるのに役立つ強力なツールが掲載されています。今すぐXIX.AIでご覧ください。
10 ツール
xix.ai
2026年版 製品・収益分析に最適な、高評価のAI SQLコパイロット最新ランキング！ XIX.AIは、毎週更新されるランキングを通じて実環境でのテストを経た、強力で画期的な「ぜひ試すべきツール」を厳選しました。これらのツールは、データ分析を加速させ、複雑なクエリを効率化し、正確なインサイトを生成することで、ユーザーの生産性を大幅に向上させ、より賢明なビジネス意思決定を後押しします。今すぐチェックして、AIの真価を引き出すあなたにぴったりのツールを見つけましょう！
14 ツール
xix.ai
2026年最新・最高評価のAI宿題サポートツール。単なる答えだけでなく、核心となる概念を教える、学生にとって強力なツール。ぜひ試してほしい厳選リスト。毎週更新。無料版と有料版の比較、実地テストによる正確なランキングで、あなたの学習能力を最大限に引き出します。今すぐチェックして、よりスマートな学習を実現するあなたにぴったりのツールを見つけましょう。
10 ツール
xix.ai
