AI工具通过去除数字化妆绕过过滤器

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：

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。

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。

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。

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。"

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：

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