首頁AI工具透過移除數位妝容來繞過過濾器
面部化妝品正讓未成年使用者（主要是女孩）得以繞過交友應用程式和電商網站等平台的自拍式年齡驗證系統。一款新型人工智慧工具透過訓練有別的模型來解決此漏洞，該模型能去除妝容同時保留面部特徵，使未成年人更難欺騙自動化檢查。
隨著全球線上年齡驗證趨勢發展，採用第三方自拍年齡驗證服務的案例正持續增加。
例如根據英國《網路安全法》，第三方服務可透過視覺年齡估算等技術執行驗證——人工智慧能從手機即時影像預測使用者年齡。Ondato、TrustStamp與Yoti等供應商皆採用此技術。
然而年齡估算並非萬無一失。青少年長期為獲取成人特權所做的努力，促使他們發展出有效進入交友網站、論壇及其他年齡限制平台的方法。
其中常見手法（尤以女性*為甚）是透過化妝修飾面容——此策略能有效欺騙自動化年齡估算系統，因該系統常高估年輕族群年齡，卻低估年長者年齡。
不僅限於女孩
在回應「化妝品聚焦女性」的潛在質疑前，必須強調：無論施作對象為何，面部彩妝皆非可靠的性別判斷指標：
美國研究者在《面部化妝品對自動性別與年齡估算演算法的影響》中發現，性別驗證系統會因性別轉換妝容而產生混淆。來源：https://cse.msu.edu/~rossarun/pubs/ChenCosmeticsGenderAge_VISAPP2014.pdf
2024年數據顯示，美國18至24歲男性消費者中，約72%將化妝納入日常儀容流程——儘管多數人使用化妝品是為了呈現健康膚質，而非採用睫毛膏/唇膏等典型女性美學組合。
因此，我們必須基於近期研究中最常見的情境來探討此議題：未成年女性使用化妝品來規避自動化視覺年齡驗證系統。
高效卸妝技術——人工智慧之道
此項研究由紐約大學三位學者共同發表於新論文《DiffClean：基於擴散的精準年齡估算化妝品去除技術》。
該專案旨在開發人工智慧驅動的技術，從圖像（及潛在的影片）中消除妝容外觀，以更精準判斷人物真實年齡。
新論文展示的範例，呈現卸除妝容如何顯著改變年齡預測結果。來源：https://arxiv.org/pdf/2507.13292
開發此類系統面臨的挑戰之一，在於收集或整理未成年少女塗抹成人化妝品的影像存在敏感性問題。為解決此困境，研究團隊採用第三方生成對抗網路系統EleGANt進行合成化妝風格——此方法成效卓著：
清華大學2022年研發的EleGANt系統運用生成對抗網路（GAN），能真實地將化妝效果疊加至原始照片。來源：https://arxiv.org/pdf/2207.09840
透過此方式生成的合成數據，結合多項輔助專案與數據集，作者在處理明顯或「表演性」妝容時，其成果超越了當今最先進的年齡估算方法。
論文指出：
「DiffClean運用文本引導擴散模型消除化妝痕跡，以抵禦化妝攻擊。相較於競爭基準模型，其在數位模擬與真實化妝影像上，提升年齡估算（未成年與成年準確率提升4.8%）及面部驗證（在FMR=0.01%時，TMR準確率提升8.9%）的表現。」
讓我們檢視其方法論。
方法
為避免使用未成年人化妝的真實影像，作者運用EleGANt技術對UTKFace資料庫影像施加合成化妝效果，生成訓練用的前後對比影像組。
UTKFace資料集範例。來源：https://susanqq.github.io/UTKFace/
隨後訓練DiffClean逆向還原此變換。鑑於年齡估算演算法對年輕族群最為困難，研究人員開發出專為10-19歲年齡層微調的代理年齡分類器。他們採用基於UTKFace訓練的SSRNet架構，並搭配加權L1損失函數。
模型核心採用簡化版的 OpenAI 2021 年擴散模型，並在多解析度層級增設注意力頭、深化層級結構，並導入 BigGAN 風格模組以強化上採樣與下採樣效能。
透過CLIP提示實現方向性控制：化妝與素顏的臉部對照，引導模型在保留面部細節、年齡特徵及身份辨識的前提下卸除妝容。
合成妝容透過EleGANt技術施作。每組三聯圖分別呈現原始UTKFace圖像（左）、參考妝容風格（中）及風格轉移後成果（右）。此類妝容轉移技術在電腦視覺研究中普遍應用，亦見於Adobe Photoshop的神經濾鏡功能，可將參考圖像的妝容套用至目標圖像。
四項關鍵損失函數引導卸妝過程，同時維持面部身份與年齡特徵。除基於CLIP的損失函數外，身份保留採用InsightFace庫的加權ArcFace損失函數，透過測量生成面部與原始素顏圖及「上妝」版本的相似度確保一致性。
第三項感知損失採用學習感知相似度指標（LPIPS），運用L1距離確保像素層級的真實感，在卸除妝容後維持原始影像外觀。
最後，年齡監督模組採用經UTKFace數據集訓練的微調版SSRNet，其平滑L1損失函數針對10-29歲年齡段（誤判最常見區間）實施更嚴格的懲罰機制。變體方案則運用基於CLIP的年齡提示，實現特定年齡的外觀匹配。
推論階段的年齡估算則採用2023年推出的MiVOLO框架。
數據與測試
UTKFace數據集的SSRNet微調訓練採用15,364張訓練圖像與6,701張測試圖像。原始20,000張圖像經篩選排除70歲以上個體後，按70:30比例分割。
遵循2023年DiffAM專案方法，訓練分為兩階段：初始階段採用BeautyGAN MT資料集中的300張真實妝容圖像（200張訓練，100張驗證）。
後續運用300張經EleGANt合成彩妝的UTKFace圖像進行模型精煉，最終形成包含600組訓練樣本的數據集，這些樣本對應BeautyGAN的五種參考風格。鑑於卸妝過程需將多種風格映射至單一素顏面部，訓練重點在於實現廣泛泛化能力，而非涵蓋所有化妝變體。
性能評估涵蓋合成與真實圖像：合成測試採用Flickr-Faces-HQ Dataset（FFHQ）中2,556張圖像，均勻採樣自70歲以下九個年齡層，並經EleGANt修改；
泛化能力則透過BeautyFace的3,000張實妝圖像及LADN的355張實妝圖像進行評估。
BeautyFace資料集範例，展示定義化妝影響不同臉部區域的語義分割。來源：https://li-chongyi.github.io/BeautyREC_files/
指標與實作
指標方面，作者採用真實年齡與預測值間的平均絕對誤差（MAE，數值越低越好）；年齡分組準確度以評估分類正確性（數值越低越好）；以及未成年/成年準確度以評估成人識別正確性（數值越高越好）。
研究同時報告身分驗證指標：真實匹配率（TMR）與虛假匹配率（FMR），並附相關接收者操作特性曲線（ROC）數值。
SSRNet於64×64像素圖像上進行微調，批次大小為50，採用Adam優化器、權重衰減1e−4、餘弦退火調度器，並以1e−3學習率執行200個 epoch，同時啟用早期終止機制。
DiffClean接受256×256像素輸入圖像，採用Adam優化器以4e−3學習率進行五個 epoch 的微調。採樣過程包含40次DDIM逆向步驟與6次DDIM順向步驟。所有訓練均在單張NVIDIA A100 GPU上完成。
測試的競爭系統為 CLIP2Protect 與 DiffAM。作者採用「霧面」妝容風格，其中 CLIP2Protect 表現更為優異。
為建立 DiffAM 基準線，將 BeautyGAN 預訓練模型在 MT 資料集上進行微調。針對敵對性化妝轉移任務，則直接採用 DiffAM 檢查點並維持預設參數。
DiffClean相較於基準模型在MiVOLO年齡估算任務中的表現。報告指標包含未成年/成年分類準確度、年齡分組準確度及平均絕對誤差(MAE)。採用CLIP年齡損失的DiffClean在所有指標中均取得最佳結果。
作者聲明：
「[我們的]方法DIFFCLEAN超越了兩個基準模型CLIP2Protect和DiffAM，成功恢復因化妝干擾的年齡線索，將MAE降低至5.71，並將整體年齡組預測準確度提升至37%。
本研究聚焦未成年年齡層，結果顯示我們在未成年與成年年齡分類中達到88.6%的卓越準確度。」
基準方法與提案方法的卸妝結果對照。最左列為原始影像，次列為CLIP2Protect與DiffAM輸出結果，第三列則展示DiffClean透過SSRNet與CLIP年齡損失模型處理後的成果。作者主張DiffClean能更有效去除妝容，既避免CLIP2Protect出現的特徵失真，亦能補足DiffAM遺漏的殘留化妝痕跡。
作者指出化妝對感知年齡的影響並非均勻——可能增加、減少或維持不變。因此DiffClean並非統一降低預測年齡，而是透過去除化妝痕跡來恢復原始年齡指標：
CelebA-HQ與CACD資料集的卸妝範例。每列展示卸妝前後（左/右）的對比圖像。首列顯示卸妝後預測年齡下降；次列維持不變；第三列則呈現上升趨勢。
為驗證泛化能力，我們將 DiffClean 應用於 BeautyFace 與 LADN 資料集（含真實妝容但無對應無妝照）。透過比較卸妝前後的年齡預測值，衡量 DiffClean 消除妝容干擾的成效：
LADN（左對）與BeautyFace（右對）真實圖像的卸妝結果。DiffClean透過去除化妝品降低預測年齡，縮小表觀年齡與實際年齡的差距。白色數字顯示處理前後的估算年齡。
結果顯示DiffClean能持續縮小外觀年齡與實際年齡的差距，平均減少約三年的高估與低估誤差，顯示其對真實世界化妝風格具有強大的泛化能力。
結論
顯著妝容被用於敵對任務既耐人尋味，或許也是必然趨勢。由於女孩成熟速度各異但整體趨快，識別從未成年女性到成年女性的轉變階段，是本研究領域最具挑戰性的目標之一。
然而隨著時間推移，數據或將揭示一致的年齡相關指標，為視覺年齡驗證系統提供基準。
* 鑑於本議題敏感性，且「女孩」一詞具排他性（而現行通用術語「女性與女孩」在此情境不適用），故採用「女性」作為最佳折衷方案——雖未能涵蓋所有人口統計細微差異，謹此致歉。
†本文中「表演性」指明確為展示與辨識而施作的妝容，如睫毛膏、眼線、腮紅與粉底，有別於遮瑕膏等低調化妝手法。
初版發佈於2025年7月18日（星期五）
相關文章
Meta 在使用者強烈反對後取消了 AI 照片編輯功能
Meta，這家社交媒體巨頭，再次捲入關於人工智慧與使用者隱私之間微妙平衡的公開辯論。據 TechCrunch 報道，Meta 的 Superintelligence Labs 本週早些時候推出了一款新的 AI 影象生成器 Muse Image。然而，一個備受好評的關鍵功能——允許使用者透過“@”符號標記來修改和生成來自公開 Instagram 賬戶的影象——由於缺乏適當的通知機制，立即引發了使用者以及 CAA 等機構的強烈反對。面對強烈的批評，Meta 迅速撤銷了該決定，並於週五透過部落格文章宣佈將
DeepMind執行長哈西里斯：我每天睡六個小時，通常在凌晨1點左右感到精力充沛。
Fortune 最近刊登了對谷歌 DeepMind 執行長 Demis Hassabis 的採訪，揭示了他對休息和生產力的非傳統方法。Hassabis 透露，他睡眠時間非常少，將清醒時間劃分為兩個不同的工作階段。關於他的睡眠習慣，Hassabis 表示：“我目標睡六小時，但我的習慣非同尋常。我可以在白天有效運作。”他強調，睡眠少於六小時會對大腦健康產生負面影響。Hassabis 於 2010 年聯合創立了 DeepMind（後被谷歌收購），並因其在蛋白質結構預測方面的開創性工作榮獲 20
儘管營收未達預期，OpenAI 與 Anthropic 仍爭奪市場份額
儘管近期有報導指出 OpenAI 未達營收目標，導致本週二科技股承壓，但私人人工智慧實驗室的投資者仍展現出韌性。資深投資者已確認，儘管媒體報導負面，他們仍不會削減投資。分析師認為當前的 AI 競逐仍處於初期階段，因此排除「贏家通吃」的結果。儘管高昂的運算成本對營收造成壓力，但各實驗室可透過調高訂閱費來提升獲利能力。產業格局正經歷微妙的變化與 OpenAI 不同，競爭對手 Anthropic 獲得了
相關專題推薦
視頻創作
適用於 Reels、Shorts 及產品上市活動的 AI 短影片吸睛開場生成器
2026 年最新最佳 AI 短影片開場白生成器，適用於 Reels、Shorts 及產品上市活動！XIX.AI 嚴選備受好評、功能強大且能顛覆遊戲規則的工具，這些工具皆經過實際測試，能帶來絕對值得一試的成果。本頁面每週更新，提供免費與付費版本的比較排行榜，助您找到提升內容創意與生產力的完美解決方案。 立即探索，釋放您的 AI 競爭優勢！
11 個工具
xix.ai
寫作
適用於長篇寫作的 AI 文章大綱工具
2026 年最新、最受好評的長文寫作 AI 大綱工具！這份精選清單收錄了強大且具顛覆性的工具，能透過實際測試生成精準、結構化的大綱，大幅提升寫作效率。XIX.AI 正是這份菁英名單中的一員。 獲取免費版與付費版的比較指南，助您挑選最合適的工具。立即探索，釋放您的 AI 優勢！
9 個工具
xix.ai
聊天機器人
用於語言練習、面試準備和日常流利度的最佳 AI 角色扮演聊天應用
2026 年最新最佳頂級評分 AI 角色扮演聊天應用，用於語言練習、面試準備和日常流利度！XIX.AI 精心策劃了一個強大的變革性合集，提供免費與付費對比、真實世界測試以及每週更新的排名。這些必試工具可幫助您提升寫作技能，克服流利度挑戰，並提高所有日常場景下的溝通效率。立即探索，發現您語言成長的完美工具！
10 個工具
xix.ai
音樂創作
用於混音製作、取樣準備及卡拉OK母帶處理的 AI 聲部分離工具
2026年最新、最優秀且評分最高的AI音軌分離工具彙總，專為混音製作、取樣準備以及卡拉OK音訊處理而設計。這些功能強大的創新工具經過實際測試，能夠實現精準的音訊分離，顯著提升工作效率。XIX.AI每週都會更新免費的付費產品對比指南，幫助您找到最適合自身需求的工具。立即探索，發揮您的AI優勢。
8 個工具
xix.ai
數據分析
用於收入看板、轉化漏斗分析及產品指標分析的 AI SQL 助手
2026年最新最優秀的AI SQL輔助工具排名揭曉！XIX.AI精心挑選了一系列功能強大的工具，這些工具會定期更新，並透過真實的場景測試來驗證其效能。使用這些值得嘗試的工具，您可以快速生成精準的收入分析報表、分析銷售流程，並追蹤產品各項指標，從而大幅提升工作效率。立即探索，找到最適合您的資料驅動決策工具！238個字元
9 個工具
xix.ai
音樂創作
最佳用於歌曲草稿的 AI 旋律創作工具
2026 年最新最佳頂級評分 AI 旋律創作工具，助力歌曲草稿創作！XIX.AI 精心策劃了一套極具影響力且經過嚴格真實世界測試的變革性合集，旨在提供最佳的創作體驗。您可以找到詳細的免費與付費版對比、精準的排名以及必試選項，這些工具旨在幫助您輕鬆創作出令人驚豔的歌曲草稿，並顯著提升您的創意生產力。立即探索，發現您的完美工具！
8 個工具
xix.ai
評論 (0)
0/500
面部化妝品正讓未成年使用者（主要是女孩）得以繞過交友應用程式和電商網站等平台的自拍式年齡驗證系統。一款新型人工智慧工具透過訓練有別的模型來解決此漏洞，該模型能去除妝容同時保留面部特徵，使未成年人更難欺騙自動化檢查。
隨著全球線上年齡驗證趨勢發展，採用第三方自拍年齡驗證服務的案例正持續增加。
例如根據英國《網路安全法》，第三方服務可透過視覺年齡估算等技術執行驗證——人工智慧能從手機即時影像預測使用者年齡。Ondato、TrustStamp與Yoti等供應商皆採用此技術。
然而年齡估算並非萬無一失。青少年長期為獲取成人特權所做的努力，促使他們發展出有效進入交友網站、論壇及其他年齡限制平台的方法。
其中常見手法（尤以女性*為甚）是透過化妝修飾面容——此策略能有效欺騙自動化年齡估算系統，因該系統常高估年輕族群年齡，卻低估年長者年齡。
不僅限於女孩
在回應「化妝品聚焦女性」的潛在質疑前，必須強調：無論施作對象為何，面部彩妝皆非可靠的性別判斷指標：
美國研究者在《面部化妝品對自動性別與年齡估算演算法的影響》中發現，性別驗證系統會因性別轉換妝容而產生混淆。來源：https://cse.msu.edu/~rossarun/pubs/ChenCosmeticsGenderAge_VISAPP2014.pdf
2024年數據顯示，美國18至24歲男性消費者中，約72%將化妝納入日常儀容流程——儘管多數人使用化妝品是為了呈現健康膚質，而非採用睫毛膏/唇膏等典型女性美學組合。
因此，我們必須基於近期研究中最常見的情境來探討此議題：未成年女性使用化妝品來規避自動化視覺年齡驗證系統。
高效卸妝技術——人工智慧之道
此項研究由紐約大學三位學者共同發表於新論文《DiffClean：基於擴散的精準年齡估算化妝品去除技術》。
該專案旨在開發人工智慧驅動的技術，從圖像（及潛在的影片）中消除妝容外觀，以更精準判斷人物真實年齡。
新論文展示的範例，呈現卸除妝容如何顯著改變年齡預測結果。來源：https://arxiv.org/pdf/2507.13292
開發此類系統面臨的挑戰之一，在於收集或整理未成年少女塗抹成人化妝品的影像存在敏感性問題。為解決此困境，研究團隊採用第三方生成對抗網路系統EleGANt進行合成化妝風格——此方法成效卓著：
清華大學2022年研發的EleGANt系統運用生成對抗網路（GAN），能真實地將化妝效果疊加至原始照片。來源：https://arxiv.org/pdf/2207.09840
透過此方式生成的合成數據，結合多項輔助專案與數據集，作者在處理明顯或「表演性」妝容時，其成果超越了當今最先進的年齡估算方法。
論文指出：
「DiffClean運用文本引導擴散模型消除化妝痕跡，以抵禦化妝攻擊。相較於競爭基準模型，其在數位模擬與真實化妝影像上，提升年齡估算（未成年與成年準確率提升4.8%）及面部驗證（在FMR=0.01%時，TMR準確率提升8.9%）的表現。」
讓我們檢視其方法論。
方法
為避免使用未成年人化妝的真實影像，作者運用EleGANt技術對UTKFace資料庫影像施加合成化妝效果，生成訓練用的前後對比影像組。
UTKFace資料集範例。來源：https://susanqq.github.io/UTKFace/
隨後訓練DiffClean逆向還原此變換。鑑於年齡估算演算法對年輕族群最為困難，研究人員開發出專為10-19歲年齡層微調的代理年齡分類器。他們採用基於UTKFace訓練的SSRNet架構，並搭配加權L1損失函數。
模型核心採用簡化版的 OpenAI 2021 年擴散模型，並在多解析度層級增設注意力頭、深化層級結構，並導入 BigGAN 風格模組以強化上採樣與下採樣效能。
透過CLIP提示實現方向性控制：化妝與素顏的臉部對照，引導模型在保留面部細節、年齡特徵及身份辨識的前提下卸除妝容。
合成妝容透過EleGANt技術施作。每組三聯圖分別呈現原始UTKFace圖像（左）、參考妝容風格（中）及風格轉移後成果（右）。此類妝容轉移技術在電腦視覺研究中普遍應用，亦見於Adobe Photoshop的神經濾鏡功能，可將參考圖像的妝容套用至目標圖像。
四項關鍵損失函數引導卸妝過程，同時維持面部身份與年齡特徵。除基於CLIP的損失函數外，身份保留採用InsightFace庫的加權ArcFace損失函數，透過測量生成面部與原始素顏圖及「上妝」版本的相似度確保一致性。
第三項感知損失採用學習感知相似度指標（LPIPS），運用L1距離確保像素層級的真實感，在卸除妝容後維持原始影像外觀。
最後，年齡監督模組採用經UTKFace數據集訓練的微調版SSRNet，其平滑L1損失函數針對10-29歲年齡段（誤判最常見區間）實施更嚴格的懲罰機制。變體方案則運用基於CLIP的年齡提示，實現特定年齡的外觀匹配。
推論階段的年齡估算則採用2023年推出的MiVOLO框架。
數據與測試
UTKFace數據集的SSRNet微調訓練採用15,364張訓練圖像與6,701張測試圖像。原始20,000張圖像經篩選排除70歲以上個體後，按70:30比例分割。
遵循2023年DiffAM專案方法，訓練分為兩階段：初始階段採用BeautyGAN MT資料集中的300張真實妝容圖像（200張訓練，100張驗證）。
後續運用300張經EleGANt合成彩妝的UTKFace圖像進行模型精煉，最終形成包含600組訓練樣本的數據集，這些樣本對應BeautyGAN的五種參考風格。鑑於卸妝過程需將多種風格映射至單一素顏面部，訓練重點在於實現廣泛泛化能力，而非涵蓋所有化妝變體。
性能評估涵蓋合成與真實圖像：合成測試採用Flickr-Faces-HQ Dataset（FFHQ）中2,556張圖像，均勻採樣自70歲以下九個年齡層，並經EleGANt修改；
泛化能力則透過BeautyFace的3,000張實妝圖像及LADN的355張實妝圖像進行評估。
BeautyFace資料集範例，展示定義化妝影響不同臉部區域的語義分割。來源：https://li-chongyi.github.io/BeautyREC_files/
指標與實作
指標方面，作者採用真實年齡與預測值間的平均絕對誤差（MAE，數值越低越好）；年齡分組準確度以評估分類正確性（數值越低越好）；以及未成年/成年準確度以評估成人識別正確性（數值越高越好）。
研究同時報告身分驗證指標：真實匹配率（TMR）與虛假匹配率（FMR），並附相關接收者操作特性曲線（ROC）數值。
SSRNet於64×64像素圖像上進行微調，批次大小為50，採用Adam優化器、權重衰減1e−4、餘弦退火調度器，並以1e−3學習率執行200個 epoch，同時啟用早期終止機制。
DiffClean接受256×256像素輸入圖像，採用Adam優化器以4e−3學習率進行五個 epoch 的微調。採樣過程包含40次DDIM逆向步驟與6次DDIM順向步驟。所有訓練均在單張NVIDIA A100 GPU上完成。
測試的競爭系統為 CLIP2Protect 與 DiffAM。作者採用「霧面」妝容風格，其中 CLIP2Protect 表現更為優異。
為建立 DiffAM 基準線，將 BeautyGAN 預訓練模型在 MT 資料集上進行微調。針對敵對性化妝轉移任務，則直接採用 DiffAM 檢查點並維持預設參數。
DiffClean相較於基準模型在MiVOLO年齡估算任務中的表現。報告指標包含未成年/成年分類準確度、年齡分組準確度及平均絕對誤差(MAE)。採用CLIP年齡損失的DiffClean在所有指標中均取得最佳結果。
作者聲明：
「[我們的]方法DIFFCLEAN超越了兩個基準模型CLIP2Protect和DiffAM，成功恢復因化妝干擾的年齡線索，將MAE降低至5.71，並將整體年齡組預測準確度提升至37%。
本研究聚焦未成年年齡層，結果顯示我們在未成年與成年年齡分類中達到88.6%的卓越準確度。」
基準方法與提案方法的卸妝結果對照。最左列為原始影像，次列為CLIP2Protect與DiffAM輸出結果，第三列則展示DiffClean透過SSRNet與CLIP年齡損失模型處理後的成果。作者主張DiffClean能更有效去除妝容，既避免CLIP2Protect出現的特徵失真，亦能補足DiffAM遺漏的殘留化妝痕跡。
作者指出化妝對感知年齡的影響並非均勻——可能增加、減少或維持不變。因此DiffClean並非統一降低預測年齡，而是透過去除化妝痕跡來恢復原始年齡指標：
CelebA-HQ與CACD資料集的卸妝範例。每列展示卸妝前後（左/右）的對比圖像。首列顯示卸妝後預測年齡下降；次列維持不變；第三列則呈現上升趨勢。
為驗證泛化能力，我們將 DiffClean 應用於 BeautyFace 與 LADN 資料集（含真實妝容但無對應無妝照）。透過比較卸妝前後的年齡預測值，衡量 DiffClean 消除妝容干擾的成效：
LADN（左對）與BeautyFace（右對）真實圖像的卸妝結果。DiffClean透過去除化妝品降低預測年齡，縮小表觀年齡與實際年齡的差距。白色數字顯示處理前後的估算年齡。
結果顯示DiffClean能持續縮小外觀年齡與實際年齡的差距，平均減少約三年的高估與低估誤差，顯示其對真實世界化妝風格具有強大的泛化能力。
結論
顯著妝容被用於敵對任務既耐人尋味，或許也是必然趨勢。由於女孩成熟速度各異但整體趨快，識別從未成年女性到成年女性的轉變階段，是本研究領域最具挑戰性的目標之一。
然而隨著時間推移，數據或將揭示一致的年齡相關指標，為視覺年齡驗證系統提供基準。
* 鑑於本議題敏感性，且「女孩」一詞具排他性（而現行通用術語「女性與女孩」在此情境不適用），故採用「女性」作為最佳折衷方案——雖未能涵蓋所有人口統計細微差異，謹此致歉。
†本文中「表演性」指明確為展示與辨識而施作的妝容，如睫毛膏、眼線、腮紅與粉底，有別於遮瑕膏等低調化妝手法。
初版發佈於2025年7月18日（星期五）
Meta 在使用者強烈反對後取消了 AI 照片編輯功能
Meta，這家社交媒體巨頭，再次捲入關於人工智慧與使用者隱私之間微妙平衡的公開辯論。據 TechCrunch 報道，Meta 的 Superintelligence Labs 本週早些時候推出了一款新的 AI 影象生成器 Muse Image。然而，一個備受好評的關鍵功能——允許使用者透過“@”符號標記來修改和生成來自公開 Instagram 賬戶的影象——由於缺乏適當的通知機制，立即引發了使用者以及 CAA 等機構的強烈反對。面對強烈的批評，Meta 迅速撤銷了該決定，並於週五透過部落格文章宣佈將
DeepMind執行長哈西里斯：我每天睡六個小時，通常在凌晨1點左右感到精力充沛。
Fortune 最近刊登了對谷歌 DeepMind 執行長 Demis Hassabis 的採訪，揭示了他對休息和生產力的非傳統方法。Hassabis 透露，他睡眠時間非常少，將清醒時間劃分為兩個不同的工作階段。關於他的睡眠習慣，Hassabis 表示：“我目標睡六小時，但我的習慣非同尋常。我可以在白天有效運作。”他強調，睡眠少於六小時會對大腦健康產生負面影響。Hassabis 於 2010 年聯合創立了 DeepMind（後被谷歌收購），並因其在蛋白質結構預測方面的開創性工作榮獲 20
儘管營收未達預期，OpenAI 與 Anthropic 仍爭奪市場份額
儘管近期有報導指出 OpenAI 未達營收目標，導致本週二科技股承壓，但私人人工智慧實驗室的投資者仍展現出韌性。資深投資者已確認，儘管媒體報導負面，他們仍不會削減投資。分析師認為當前的 AI 競逐仍處於初期階段，因此排除「贏家通吃」的結果。儘管高昂的運算成本對營收造成壓力，但各實驗室可透過調高訂閱費來提升獲利能力。產業格局正經歷微妙的變化與 OpenAI 不同，競爭對手 Anthropic 獲得了
2026 年最新最佳 AI 短影片開場白生成器，適用於 Reels、Shorts 及產品上市活動！XIX.AI 嚴選備受好評、功能強大且能顛覆遊戲規則的工具，這些工具皆經過實際測試，能帶來絕對值得一試的成果。本頁面每週更新，提供免費與付費版本的比較排行榜，助您找到提升內容創意與生產力的完美解決方案。 立即探索，釋放您的 AI 競爭優勢！
11 個工具
xix.ai
2026 年最新、最受好評的長文寫作 AI 大綱工具！這份精選清單收錄了強大且具顛覆性的工具，能透過實際測試生成精準、結構化的大綱，大幅提升寫作效率。XIX.AI 正是這份菁英名單中的一員。 獲取免費版與付費版的比較指南，助您挑選最合適的工具。立即探索，釋放您的 AI 優勢！
9 個工具
xix.ai
2026 年最新最佳頂級評分 AI 角色扮演聊天應用，用於語言練習、面試準備和日常流利度！XIX.AI 精心策劃了一個強大的變革性合集，提供免費與付費對比、真實世界測試以及每週更新的排名。這些必試工具可幫助您提升寫作技能，克服流利度挑戰，並提高所有日常場景下的溝通效率。立即探索，發現您語言成長的完美工具！
10 個工具
xix.ai
2026年最新、最優秀且評分最高的AI音軌分離工具彙總，專為混音製作、取樣準備以及卡拉OK音訊處理而設計。這些功能強大的創新工具經過實際測試，能夠實現精準的音訊分離，顯著提升工作效率。XIX.AI每週都會更新免費的付費產品對比指南，幫助您找到最適合自身需求的工具。立即探索，發揮您的AI優勢。
8 個工具
xix.ai
2026年最新最優秀的AI SQL輔助工具排名揭曉！XIX.AI精心挑選了一系列功能強大的工具，這些工具會定期更新，並透過真實的場景測試來驗證其效能。使用這些值得嘗試的工具，您可以快速生成精準的收入分析報表、分析銷售流程，並追蹤產品各項指標，從而大幅提升工作效率。立即探索，找到最適合您的資料驅動決策工具！238個字元
9 個工具
xix.ai
2026 年最新最佳頂級評分 AI 旋律創作工具，助力歌曲草稿創作！XIX.AI 精心策劃了一套極具影響力且經過嚴格真實世界測試的變革性合集，旨在提供最佳的創作體驗。您可以找到詳細的免費與付費版對比、精準的排名以及必試選項，這些工具旨在幫助您輕鬆創作出令人驚豔的歌曲草稿，並顯著提升您的創意生產力。立即探索，發現您的完美工具！
8 個工具
xix.ai
