选项
首页
新闻
AI工具通过去除数字化妆绕过过滤器

AI工具通过去除数字化妆绕过过滤器

2026-02-25
155

面部化妆品正使未成年用户(主要是女孩)得以绕过约会应用和电商网站等平台基于自拍的年龄验证系统。一款新型人工智能工具通过训练有素的鉴别模型解决了这一漏洞——该模型能在去除妆容的同时保留面部特征,使未成年人更难欺骗自动化检测。

 

随着全球在线年龄验证趋势的兴起,基于自拍的第三方年龄验证服务正日益普及。

例如根据英国《网络安全法》,各类第三方服务可通过视觉年龄估算等方法进行年龄验证——即AI从移动设备实时摄像头画面预测用户年龄。Ondato、TrustStamp和Yoti等供应商均采用此技术。

然而年龄估算并非万无一失。青少年为获取成人特权长期积累的经验,使他们发展出有效手段进入约会网站、论坛等年龄限制平台。

女性*群体尤为常用的手段是化妆——这种策略能欺骗自动年龄估算系统,因该系统往往高估年轻用户年龄,而低估年长用户年龄。

不仅限于女性

在回应"将化妆问题聚焦于女性"的潜在质疑前,需明确指出:无论何人使用面部化妆品,都无法可靠地判定其性别:

在论文中

美国研究者在《面部化妆品对自动性别与年龄估算算法的影响》中发现,性别验证系统会被性别互换妆容所迷惑。来源:https://cse.msu.edu/~rossarun/pubs/ChenCosmeticsGenderAge_VISAPP2014.pdf

2024年数据显示,美国18-24岁男性消费者中约72%将化妆纳入日常护理——尽管多数人使用化妆品旨在提升健康肤质,而非采用睫毛膏/口红等传统女性美学组合。

因此,我们必须基于近期研究中最常见的情境来探讨该议题:未成年女性通过化妆规避自动视觉年龄验证系统。

高效卸妆——人工智能解决方案

该研究由纽约大学三位学者共同完成,其新论文《DiffClean:基于扩散技术的精准年龄估算化妆去除法》揭示了突破性方案。

该项目旨在开发一种基于人工智能的方法,从图像(及潜在视频)中消除妆容痕迹,从而更准确判断人物真实年龄。

新论文中展示的卸妆示例。来源:https://arxiv.org/pdf/2507.13292

新论文展示的案例表明,卸妆技术能显著改变年龄预测结果。来源:https://arxiv.org/pdf/2507.13292

开发此类系统面临的挑战之一,是收集或整理未成年女孩使用成人妆容的图像存在敏感性问题。为解决此问题,研究人员采用第三方生成对抗网络系统EleGANt进行合成化妆——该方法效果显著:

清华大学

清华大学2022年研发的EleGANt系统运用生成对抗网络(GAN)技术,能真实地将化妆品叠加到原始照片上。来源:https://arxiv.org/pdf/2207.09840

通过这种方式生成的合成数据,结合各类辅助项目和数据集,研究者在处理明显或"表演性"妆容时,超越了当前最先进的年龄估算方法。

论文指出:

"DiffClean通过文本引导的扩散模型消除妆容痕迹,抵御化妆攻击。在数字模拟妆容与真实妆容图像上,其年龄估算精度(未成年人/成年人识别准确率提升4.8%)和面部验证性能(在FMR=0.01%时TMR提升8.9%)均优于竞争基线模型。"

让我们审视其方法论。

方法

为避免使用未成年人真实化妆照片,作者通过EleGANt模型对UTKFace数据集图像进行合成化妆处理,生成训练用化妆前/后对比图像对。

来自UTKFace数据集的示例。来源:https://susanqq.github.io/UTKFace/

UTKFace数据集示例。来源:https://susanqq.github.io/UTKFace/

随后训练DiffClean模型实现逆向转换。鉴于年龄估算算法对年轻群体识别难度最大,研究人员开发了针对10-19岁年龄段的代理年龄分类器。该分类器采用基于UTKFace数据集训练的SSRNet架构,并结合加权L1损失函数。

该模型以OpenAI 2021年扩散模型的精简版为核心,通过添加多分辨率注意力头、更深层网络及BigGAN风格模块来增强上采样与下采样能力。

通过CLIP提示实现定向控制:"带妆面部"与"素颜面部"的指令引导模型在去除妆容的同时保留面部细节、年龄特征及身份标识。

使用EleGANt技术生成的合成妆容。每组三联图分别展示原始UTKFace图像(左)、参考妆容风格(中)以及风格迁移后的结果(右)。

合成妆容通过EleGANt实现。每组三联图依次展示原始UTKFace图像(左)、参考妆容样式(中)、风格迁移后结果(右)。此类妆容迁移技术在计算机视觉研究中普遍应用,Adobe Photoshop的神经滤镜亦可实现参考图像向目标图像的妆容转移。

四项关键损失函数确保卸妆过程不改变面部身份特征与年龄线索。除基于CLIP的损失外,身份保留采用InsightFace库的加权ArcFace损失,通过测量生成的面部与原始素颜图像及"化妆"版本的相似度来确保一致性。

第三,感知损失采用学习感知相似度指标(LPIPS),通过L1距离确保像素级真实感,在卸妆后维持原始图像外观。

最后,年龄监督采用基于UTKFace数据集训练的精细化SSRNet模型,其平滑L1损失函数对10-29岁年龄段(误判高发区间)的错误施加更严厉惩罚。变体方案则运用基于CLIP的年龄提示符,精准匹配特定年龄的外貌特征。

推理阶段年龄估算采用2023年提出的MiVOLO框架。

数据与测试

基于UTKFace数据集的SSRNet微调训练集包含15,364张图像,测试集6,701张图像。原始20,000张图像经筛选剔除70岁以上个体后,按70:30比例划分。

遵循2023年DiffAM项目方法,训练分为两阶段:初始阶段采用BeautyGAN MT数据集中的300张真实妆容图像(200张训练,100张验证)。

随后使用300张经EleGANt合成化妆效果增强的UTKFace图像进行模型优化,最终形成包含600组训练样本的训练集,这些样本对应BeautyGAN的五种参考风格。由于卸妆涉及将多种风格映射至单一素颜面部,训练重点在于实现广泛泛化而非覆盖所有化妆品变体。

性能评估同时涵盖合成图像与真实图像。合成测试采用Flickr-Faces-HQ数据集(FFHQ)中的2,556张图像,这些图像来自70岁以下九个年龄组的均匀采样,并经EleGANt修改处理。

泛化能力通过BeautyFace数据集的3,000张图像及LADN数据集的355张图像进行评估,两者均包含真实妆容。

来自BeautyFace数据集的示例,展示了定义受影响面部表面不同区域的语义分割。来源:https://li-chongyi.github.io/BeautyREC_files/

BeautyFace数据集示例,展示了定义不同受妆容影响面部区域的语义分割。来源:https://li-chongyi.github.io/BeautyREC_files/

指标与实现

指标方面,作者采用真实年龄与预测值的均方根误差(MAE,数值越低越好);年龄组准确率评估分组正确性(数值越低越好);未成年/成年准确率评估成人识别准确性(数值越高越好)。

同时报告了身份验证指标:真实匹配率(TMR)与虚假匹配率(FMR),并附相关接收者操作特征(ROC)曲线值。

SSRNet在64×64像素图像上进行微调,批量大小为50,采用Adam优化器、权重衰减1e−4、余弦退火调度器,学习率1e−3,训练200个 epoch并启用早期停止机制。

DiffClean接收256×256像素输入图像,采用Adam优化器以4e−3学习率进行5个 epoch的微调。采样过程包含40步DDIM逆向迭代与6步DDIM正向迭代。所有训练均在单块NVIDIA A100 GPU上完成。

对比系统为CLIP2Protect和DiffAM。作者采用"哑光"妆容风格时,CLIP2Protect表现更优。

为复现DiffAM作为基线模型,将BeautyGAN预训练模型在MT数据集上进行微调。对抗性化妆转移任务中,采用DiffAM检查点并使用默认参数。

DiffClean在年龄估计任务中相较基线的表现(采用MiVOLO模型)。报告指标包括未成年/成年分类准确率、年龄组分类准确率及均方根误差(MAE)。采用CLIP年龄损失的DiffClean在所有指标上均取得最佳结果。

DiffClean在MiVOLO年龄估计任务中相较基准模型的表现。报告指标包括未成年/成年分类准确率、年龄段准确率及均方根误差(MAE)。采用CLIP年龄损失的DiffClean在所有指标中均取得最佳结果。

作者指出:

‘[我们的]DIFFCLEAN方法在降低MAE(至5.71)和提升整体年龄段预测准确率(至37%)方面均优于基准模型CLIP2Protect和DiffAM,成功修复了因化妆造成的年龄特征干扰。

"本研究重点关注未成年年龄组,结果表明我们实现了88.6%的未成年人/成年人分类优越性。"

卸妆效果对比(基线方法与提案方法)。最左列为原始图像,次列为CLIP2Protect与DiffAM的处理结果。第三列展示DiffClean通过SSRNet及基于CLIP的年龄损失模型获得的效果。作者认为DiffClean能更有效地去除妆容,既避免了CLIP2Protect出现特征失真,又规避了DiffAM遗漏残留化妆品的问题。

基线方法与提案方法的卸妆效果对比。最左列为原始图像,次列为CLIP2Protect与DiffAM处理结果,第三列展示DiffClean通过SSRNet与CLIP年龄损失模型处理后的效果。作者指出DiffClean能更有效去除妆容,既避免了CLIP2Protect的特征失真问题,又规避了DiffAM遗漏残留化妆品的缺陷。

作者指出化妆品对感知年龄的影响并非统一——可能增加、减少或保持不变。因此DiffClean并非简单降低预测年龄,而是通过清除化妆品痕迹来恢复原始年龄特征:

CelebA-HQ和CACD数据集的卸妆示例。每列展示卸妆前(左)与卸妆后(右)的图像对。第一列中,卸妆后预测年龄降低;第二列保持不变;第三列则出现增加。

CelebA-HQ与CACD数据集的卸妆示例。每列展示卸妆前后(左/右)的图像对。第一列卸妆后预测年龄降低;第二列保持不变;第三列则出现增加。

为验证泛化能力,DiffClean在BeautyFace和LADN数据集上运行(含真实妆容但无配对洁面图像)。通过对比卸妆前后的年龄预测值,评估DiffClean消除妆容干扰的效果:

LADN(左侧配对)和BeautyFace(右侧配对)数据集的真实图像卸妆效果。DiffClean通过去除化妆品降低预测年龄,缩小了表观年龄与实际年龄的差距。白色数字显示处理前后的估计年龄。

基于LADN(左侧)与BeautyFace(右侧)真实图像的卸妆效果。DiffClean通过去除化妆品降低预测年龄,缩小表观年龄与实际年龄的差距。白色数字标注处理前后的预估年龄。

结果表明DiffClean持续缩小了表观年龄与实际年龄的差距,平均减少了约三年的高估与低估误差,表明其对真实化妆品风格具有强泛化能力。

结论

引人深思且或许不可避免的是,显著妆容被用于对抗性任务。由于女孩成熟速度各异但总体加速,识别从未成年女性到成年女性的状态转变,是该研究领域最具挑战性的课题之一。

但随着时间推移,数据或将揭示稳定的年龄相关指标,为视觉年龄验证系统提供锚定依据。

 

*鉴于话题敏感性,且"女孩"具有排他性(而当前公认的女性群体表述"妇女和女孩"在此不适用),本文采用"女性"作为最佳折中方案——虽未能涵盖所有人口统计学细微差别,谨此致歉。

本文中"表演性"指代旨在被视觉感知并明确识别的妆容,如睫毛膏、眼线、腮红和粉底,区别于遮瑕膏等隐蔽性化妆品应用。

首次发布于2025年7月18日星期五

相关文章
DeepMind首席执行官哈西里斯:我每天睡六个小时,通常在凌晨1点左右感到精力充沛。 DeepMind首席执行官哈西里斯:我每天睡六个小时,通常在凌晨1点左右感到精力充沛。 Fortune 最近刊登了对谷歌 DeepMind 首席执行官 Demis Hassabis 的采访,揭示了他对休息和生产力的非传统方法。Hassabis 透露,他睡眠时间非常少,将清醒时间划分为两个不同的工作阶段。关于他的睡眠习惯,Hassabis 表示:“我目标睡六小时,但我的习惯非同寻常。我可以在白天有效运作。”他强调,睡眠少于六小时会对大脑健康产生负面影响。Hassabis 于 2010 年联合创立了 DeepMind(后被谷歌收购),并因其在蛋白质结构预测方面的开创性工作荣获 20
尽管营收未达预期,OpenAI与Anthropic仍在争夺市场份额 尽管营收未达预期,OpenAI与Anthropic仍在争夺市场份额 尽管近期有报道称OpenAI未达营收目标,给本周二的科技股带来压力,但私营人工智能实验室的投资者仍表现坚韧。经验丰富的投资者已确认,尽管媒体报道负面,他们仍不会减少投资。分析师认为当前的人工智能竞赛仍处于早期阶段,因此不会出现“赢家通吃”的局面。尽管高昂的计算成本给营收带来压力,但实验室可通过提高订阅费来提升盈利能力。行业格局正发生微妙变化与OpenAI不同,其竞争对手Anthropic获得了强有
加利福尼亚州自动驾驶合规:罚单、地理围栏和100万英里的新时代 加利福尼亚州自动驾驶合规:罚单、地理围栏和100万英里的新时代 Guident公司在南佛罗里达州运营一辆AuveTech自动驾驶班车,利用其远程监控技术管理西棕榈滩的一条4英里路线和博卡拉顿的一条1英里路线。| 图片来源:Guident加利福尼亚州正在重新定义无人驾驶车辆的监管格局,正逐渐摆脱科技行业“快速行动,打破常规”的思维模式,转向严格的问责制和严苛的行驶里程要求。Guident执行董事长兼首席执行官哈罗德·布劳恩(Harold Braun)在《机器人报
相关专题推荐
聊天机器人 用于语言练习、面试准备和日常流利度的最佳 AI 角色扮演聊天应用
用于语言练习、面试准备和日常流利度的最佳 AI 角色扮演聊天应用

2026 年最新最佳顶级评分 AI 角色扮演聊天应用,用于语言练习、面试准备和日常流利度!XIX.AI 精心策划了一个强大的变革性合集,提供免费与付费对比、真实世界测试以及每周更新的排名。这些必试工具可帮助您提升写作技能,克服流利度挑战,并提高所有日常场景下的沟通效率。立即探索,发现您语言成长的完美工具!

10 个工具
xix.ai
音乐创作 用于混音制作、采样准备及卡拉OK母带处理的 AI 声部分离工具
用于混音制作、采样准备及卡拉OK母带处理的 AI 声部分离工具

2026年最新、最优秀且评分最高的AI音轨分离工具汇总,专为混音制作、采样准备以及卡拉OK音频处理而设计。这些功能强大的创新工具经过实际测试,能够实现精准的音频分离,显著提升工作效率。XIX.AI每周都会更新免费的付费产品对比指南,帮助您找到最适合自身需求的工具。立即探索,发挥您的AI优势。

8 个工具
xix.ai
数据分析 用于收入看板、转化漏斗分析及产品指标分析的 AI SQL 助手
用于收入看板、转化漏斗分析及产品指标分析的 AI SQL 助手

2026年最新最优秀的AI SQL辅助工具排名揭晓!XIX.AI精心挑选了一系列功能强大的工具,这些工具会定期更新,并通过真实的场景测试来验证其性能。使用这些值得尝试的工具,您可以快速生成精准的收入分析报表、分析销售流程,并追踪产品各项指标,从而大幅提升工作效率。立即探索,找到最适合您的数据驱动决策工具!238个字符

9 个工具
xix.ai
音乐创作 最佳用于歌曲草稿的 AI 旋律创作工具
最佳用于歌曲草稿的 AI 旋律创作工具

2026 年最新最佳顶级评分 AI 旋律创作工具,助力歌曲草稿创作!XIX.AI 精心策划了一套极具影响力且经过严格真实世界测试的变革性合集,旨在提供最佳的创作体验。您可以找到详细的免费与付费版对比、精准的排名以及必试选项,这些工具旨在帮助您轻松创作出令人惊艳的歌曲草稿,并显著提升您的创意生产力。立即探索,发现您的完美工具!

8 个工具
xix.ai
聊天机器人 最佳AI对话训练工具,助你备战面试
最佳AI对话训练工具,助你备战面试

2026年最新、最受好评的AI面试模拟训练工具现已登陆XIX.AI!这份精心精选的合集收录了功能强大、具有革命性意义的工具,它们均经过严格的实际测试,能够提供精准的反馈。 您将看到免费版与付费版的对比分析以及详细排名,助您挑选出必试之选,从而提升自信并精进技能。立即探索,发现助您面试成功的完美工具!

12 个工具
xix.ai
设计与艺术 最适合创意实验的AI风格转换工具
最适合创意实验的AI风格转换工具

2026年最新最佳、评价最高的AI风格转换工具,助您开展创意实验!XIX.AI精心甄选了一系列功能强大、颠覆性的必试工具,这些工具经过实际测试和严格排名,可带来卓越的效果。这些顶级解决方案通过加速内容创作并释放无限创意潜能,帮助创作者显著提升工作效率。 立即探索,找到最适合您的工具,今天就开始创作吧!

9 个工具
xix.ai
评论 (0)
0/500
OR