AI-инструмент обходит фильтры, удаляя цифровой макияж

Косметика для лица позволяет несовершеннолетним пользователям, в первую очередь девушкам, обходить системы проверки возраста на основе селфи на таких платформах, как приложения для знакомств и сайты электронной коммерции. Новый инструмент искусственного интеллекта решает эту проблему с помощью дискриминационной модели, обученной удалять макияж, сохраняя при этом идентичность лица, что затрудняет несовершеннолетним обман автоматических проверок.

Использование сторонних сервисов проверки возраста на основе селфи становится все более популярным, чему способствует глобальная тенденция к онлайн-проверке возраста.

Например, в соответствии с британским законом об онлайн-безопасности, проверка возраста может осуществляться различными сторонними сервисами с использованием таких методов, как визуальная оценка возраста, при которой искусственный интеллект предсказывает возраст пользователя по изображению с камеры мобильного телефона. Такой подход используют такие провайдеры, как Ondato, TrustStamp и Yoti.

Однако оценка возраста не является надежным методом. Многолетние попытки подростков получить доступ к привилегиям взрослых привели к тому, что они разработали эффективные способы входа на сайты знакомств, форумы и другие платформы, которые ограничивают их возрастную группу.

Один из распространенных методов, особенно среди девушек*, — это нанесение макияжа на лицо. Эта тактика известна как способ обмануть автоматические системы оценки возраста, которые часто завышают возраст молодых людей и занижают возраст пожилых.

Не только девушки

Прежде чем отвечать на возможные возражения по поводу того, что макияж считается «женским», важно отметить, что косметика для лица у любого человека является ненадежным показателем пола:

В исследовании «Влияние косметики для лица на алгоритмы автоматической оценки пола и возраста» американские исследователи обнаружили, что системы проверки пола сбиваются с толку из-за макияжа, меняющего пол. Источник: https://cse.msu.edu/~rossarun/pubs/ChenCosmeticsGenderAge_VISAPP2014.pdf

В 2024 году, по оценкам, 72 % американских потребителей мужского пола в возрасте от 18 до 24 лет включали косметику в свои процедуры по уходу за собой, хотя большинство из них использовали косметические продукты для улучшения внешнего вида здоровой кожи, а не для создания образа, который обычно ассоциируется с женской эстетикой, с помощью туши для ресниц и помады.

Поэтому мы должны подходить к этой теме, основываясь на наиболее распространенном сценарии, исследованном в недавних исследованиях: несовершеннолетние девушки используют косметику, чтобы обойти автоматические системы визуальной проверки возраста.

Эффективное удаление макияжа — с помощью ИИ

Обсуждаемое исследование было проведено тремя сотрудниками Нью-Йоркского университета, которые являются авторами новой статьи «DiffClean: удаление макияжа на основе диффузии для точной оценки возраста».

Цель проекта — разработать метод на основе искусственного интеллекта для удаления макияжа с изображений (и, возможно, видео), чтобы более точно определять истинный возраст человека.

Из новой статьи, пример, показывающий, как удаление макияжа может значительно изменить прогноз возраста. Источник: https://arxiv.org/pdf/2507.13292

Одной из проблем при разработке такой системы является деликатность сбора или отбора изображений несовершеннолетних девушек, на которых нанесен макияж для взрослых. Для решения этой проблемы исследователи использовали EleGANt, стороннюю систему на основе генеративной состязательной сети, для синтетического нанесения макияжа — высокоэффективный подход:

Система EleGANt 2022 года Университета Цинхуа использует генеративную состязательную сеть (GAN) для реалистичного наложения косметики на исходные фотографии. Источник: https://arxiv.org/pdf/2207.09840

Используя синтетические данные, сгенерированные таким образом, а также различные вспомогательные проекты и наборы данных, авторы превзошли современные методы оценки возраста при работе с заметным или «эффектным» макияжем.

В статье говорится:

«DiffClean [удаляет] следы макияжа с помощью текстовой диффузионной модели для защиты от макияжных атак. [Это] улучшает оценку возраста (точность определения несовершеннолетних и взрослых на 4,8%) и верификацию лица (TMR на 8,9% при FMR=0,01%) по сравнению с конкурирующими базовыми показателями на цифровых симулированных и реальных изображениях с макияжем».

Давайте рассмотрим их методологию.

Метод

Чтобы избежать использования реальных изображений несовершеннолетних с макияжем, авторы применили синтетическую косметику с помощью EleGANt к изображениям из набора данных UTKFace, создав пары «до и после» для обучения.

Примеры из набора данных UTKFace. Источник: https://susanqq.github.io/UTKFace/

Затем DiffClean был обучен обращать эту трансформацию. Поскольку алгоритмы оценки возраста испытывают наибольшие трудности с более молодыми возрастными группами, исследователи разработали прокси-классификатор возраста, настроенный для возраста 10–19 лет. Они использовали архитектуру SSRNet, обученную на UTKFace с взвешенной потерей L1.

Основу составляла упрощенная версия диффузионной модели OpenAI 2021 года с добавлением головок внимания с различным разрешением, более глубоких слоев и блоков в стиле BigGAN для улучшения апсэмплинга и даунсэмплинга.

Направленный контроль был реализован с помощью подсказок CLIP: лицо с макияжем и лицо без макияжа, что помогало модели удалять макияж, сохраняя детали лица, признаки возраста и идентичность.

Синтетический макияж нанесен с помощью EleGANt. Каждая тройка показывает исходное изображение UTKFace (слева), эталонный стиль макияжа (в центре) и результат после переноса стиля (справа). Этот тип переноса макияжа широко используется в исследованиях в области компьютерного зрения, а также доступен в нейронных фильтрах Adobe Photoshop, которые могут наносить макияж с эталонного изображения на цель.

Четыре ключевые функции потери направляли удаление макияжа без изменения идентичности лица или признаков возраста. Помимо потери на основе CLIP, для сохранения идентичности использовались взвешенные потери ArcFace из библиотеки InsightFace, измеряющие сходство между сгенерированным лицом и исходным чистым изображением, а также «накрашенной» версией, чтобы обеспечить согласованность.

В-третьих, перцептивная потеря Learned Perceptual Similarity Metrics (LPIPS) использовала расстояние L1 для обеспечения реалистичности на уровне пикселей и сохранения внешнего вида исходного изображения после удаления макияжа.

Наконец, для контроля возраста использовалась точно настроенная сеть SSRNet, обученная на UTKFace, с сглаженной потерей L1, которая более строго наказывала ошибки в возрастном диапазоне 10–29 лет, где наиболее часто встречаются ошибки классификации. В одном из вариантов использовался запрос возраста на основе CLIP для сопоставления внешнего вида с конкретным возрастом.

Для оценки возраста во время вывода использовалась структура 2023 MiVOLO.

Данные и тесты

Для тонкой настройки SSRNet на UTKFace было использовано 15 364 обучающих изображения и 6701 тестовых изображения. Исходные 20 000 изображений были отфильтрованы, чтобы исключить лиц старше 70 лет, и разделены в соотношении 70:30.

В соответствии с методом проекта DiffAM 2023, обучение проходило в два этапа: начальная сессия с 300 реальными изображениями макияжа из набора данных MT BeautyGAN (200 для обучения, 100 для валидации).

Модель была дополнительно усовершенствована с использованием 300 дополнительных изображений UTKFace, дополненных синтетическим макияжем с помощью EleGANt, в результате чего был получен окончательный набор для обучения из 600 примеров, сгруппированных по пяти эталонным стилям из BeautyGAN. Поскольку удаление макияжа предполагает отображение нескольких стилей на одно чистое лицо, при обучении делался упор на широкую генерализацию, а не на охват всех косметических вариаций.

Производительность оценивалась как на синтетических, так и на реальных изображениях. Для синтетического тестирования использовалось 2556 изображений из набора данных Flickr-Faces-HQ (FFHQ), равномерно отобранных из девяти возрастных групп до 70 лет и модифицированных с помощью EleGANt.

Обобщение оценивалось с использованием 3000 изображений из BeautyFace и 355 из LADN, на которых был изображен реальный макияж.

Примеры из набора данных BeautyFace, демонстрирующие семантическую сегментацию, которая определяет различные области лица, на которые влияет макияж. Источник: https://li-chongyi.github.io/BeautyREC_files/

Метрики и реализация

В качестве метрик авторы использовали среднюю абсолютную ошибку (MAE) между фактическим возрастом и прогнозируемыми значениями (чем ниже, тем лучше); точность возрастной группы для оценки правильной группировки (чем ниже, тем лучше); и точность несовершеннолетних/взрослых для оценки правильной идентификации взрослых (чем выше, тем лучше).

Они также сообщили о метриках проверки личности: True Match Rate (TMR) и False Match Rate (FMR), а также о связанных с ними значениях Receiver Operating Characteristic (ROC).

SSRNet был точно настроен на изображениях 64×64px с размером партии 50, с использованием оптимизатора Adam, затухания веса 1e−4, планировщика косинусного отжига и скорости обучения 1e−3 в течение 200 эпох с ранним прекращением.

DiffClean получал входные изображения размером 256×256 пикселей и был точно настроен в течение пяти эпох с использованием Adam со скоростью обучения 4e−3. Для выборки использовалось 40 шагов инверсии DDIM и 6 шагов прямой передачи DDIM. Все обучение проводилось на одном графическом процессоре NVIDIA A100.

Тестируемыми конкурирующими системами были CLIP2Protect и DiffAM. Авторы использовали «матовые» стили макияжа, которые CLIP2Protect счел более эффективными.

Чтобы воспроизвести DiffAM в качестве базового уровня, предварительно обученная модель из BeautyGAN была точно настроена на наборе данных MT. Для противоположного переноса макияжа был использован контрольный пункт DiffAM с параметрами по умолчанию.

Производительность DiffClean по сравнению с базовыми показателями по задачам оценки возраста с использованием MiVOLO. Указанные метрики — это точность классификации «несовершеннолетний/взрослый», точность возрастной группы и средняя абсолютная ошибка (MAE). DiffClean с потерей возраста CLIP достигает лучших результатов по всем метрикам.

Авторы заявляют:

«[Наш] метод DIFFCLEAN превосходит оба базовых уровня, CLIP2Protect и DiffAM, и может успешно восстанавливать возрастные признаки, нарушенные из-за макияжа, за счет снижения MAE (до 5,71) и улучшения общей точности прогнозирования возрастной группы (до 37%).

Наша цель была сосредоточена на младших возрастных группах, и результаты показывают, что мы достигли превосходной классификации несовершеннолетних по сравнению со взрослыми на уровне 88,6%».

Результаты удаления макияжа с помощью базового и предлагаемого методов. В крайнем левом столбце показаны исходные изображения, в следующем — результаты CLIP2Protect и DiffAM. В третьем столбце показаны результаты DiffClean с помощью SSRNet и потери возраста на основе CLIP. Авторы утверждают, что DiffClean удаляет макияж более эффективно, избегая искажения черт лица, наблюдаемого в CLIP2Protect, и остаточных следов косметики, пропущенных DiffAM.

Авторы отмечают, что макияж не влияет на воспринимаемый возраст одинаково — он может увеличить, уменьшить или оставить его неизменным. Таким образом, DiffClean не применяет общее снижение прогнозируемого возраста, а стремится восстановить исходные показатели возраста, удаляя следы косметики:

Примеры удаления макияжа из наборов данных CelebA-HQ и CACD. В каждой колонке показана пара изображений до (слева) и после (справа) удаления макияжа. В первой колонке прогнозируемый возраст уменьшается после удаления макияжа, во второй — остается неизменным, а в третьей — увеличивается.

Для проверки обобщения DiffClean был запущен на наборах данных BeautyFace и LADN, которые содержат реальный макияж, но не содержат парных чистых изображений. Прогнозы возраста до и после удаления макияжа были сравнены, чтобы оценить, насколько хорошо DiffClean уменьшил искажения, вызванные макияжем:

Результаты удаления макияжа на реальных изображениях из наборов данных LADN (левая пара) и BeautyFace (правая пара). DiffClean уменьшает прогнозируемый возраст, удаляя косметику, сокращая разрыв между видимым и фактическим возрастом. Белые цифры показывают предполагаемый возраст до и после обработки.

Результаты показали, что DiffClean последовательно сокращал разрыв между видимым и фактическим возрастом, уменьшая ошибки переоценки и недооценки в среднем примерно на три года, что указывает на сильную обобщаемость в отношении реальных косметических стилей.

Заключение

Интересно и, возможно, неизбежно, что заметный макияж будет использоваться в качестве противостояния. Поскольку девочки созревают с разной скоростью, но в целом быстрее, чем мужчины, определение перехода от статуса несовершеннолетней к статусу взрослой женщины является одной из самых амбициозных задач в этой области исследований.

Тем не менее, со временем данные могут выявить последовательные возрастные индикаторы, которые можно использовать в качестве основы для систем визуальной проверки возраста.

* Учитывая деликатный характер этой темы и поскольку термин «девочки» является исключительным (а термин «женщины и девочки», который в настоящее время является общепринятым термином для обозначения людей женского пола, здесь не подходит), я использовал термин «женщины» как наилучший доступный компромисс, хотя он не отражает все демографические нюансы, за что я приношу свои извинения.

^†В этой статье «перформативный» относится к косметике, предназначенной для того, чтобы быть видимой и распознаваемой как таковая, такой как тушь, подводка для глаз, румяна и тональный крем, в отличие от маскирующих кремов и других незаметных косметических средств.

Впервые опубликовано в пятницу, 18 июля 2025 г.