人工智能技術(shù)已被廣泛應(yīng)用于照片/視頻美顏和顏值打分上了,但其內(nèi)在的評分機制使用的還是人類制定的規(guī)則,基礎(chǔ)來自于一些心理學(xué)和生理學(xué)研究。如果讓 AI 自行理解人類顏值的意義,我們會不會得到更好的效果?
最近,來自 ObEN 的研究人員就對 AI 眼中的「美」進行了研究,人工智能的判斷看起來印證了一些學(xué)派的理論:長相越女性化顏值越高;在發(fā)色方面,男性黑發(fā)最好、女性金發(fā)最好。
值得一提的是,ObEN 是一家位于硅谷的華人創(chuàng)業(yè)公司,前一陣還因在春晚推出虛擬主持人而名噪一時。
圖 1:在每個圖像對中,哪張(左或右)更有吸引力?模型提取與吸引力相關(guān)的正面/負(fù)面特征,并在不同的身份之間合成特定的高級面部特征。在每個示例中,左邊是原始圖像,右邊是加工后的圖像(從左到右:小鼻子/大鼻子,男性化/女性化,未化妝/已化妝,年輕/年長)。研究者通過用戶研究進一步調(diào)查和驗證了美貌的定義。
人們的顏值對于社會活動的很多方面都有重要影響,從兩性選擇到招聘,再到社會交往過程中,顏值都是決定性的因素之一。面部更具吸引力的人可以獲得更多的約會機會,而與他們約會的人也可以獲得更多的滿足感。社會對于美的追求正變得愈發(fā)極端,缺乏吸引力的人可能會面臨壓力。Cash 等人的研究表明,吸引力更高的人更可能找到工作,犯罪嫌疑人的顏值甚至能影響到法官的決定。
幾個世紀(jì)以來,對于面部美的研究引起了心理學(xué)家、哲學(xué)家和藝術(shù)學(xué)家的興趣,其中大多數(shù)人關(guān)注人類的感知。美是什么?心理學(xué)家通過調(diào)查各種因素來試圖回答這個問題。從對稱和平均,到人格,再到兩性異形,各種理論不一而足。
盡管此事已在心理學(xué)界有了廣泛的研究,但計算機對于美會有什么樣的理解?隨著數(shù)碼相機和社交媒體的普及,圖像在社會中有了更多應(yīng)用,各種美顏技術(shù)層出不窮,其中大多數(shù)依賴于過去的心理學(xué)發(fā)現(xiàn)。其中的主要思想是分析低級幾何面部特征(如形狀比、對稱性、紋理),然后應(yīng)用機器學(xué)習(xí)算法如支持向量機、K-近鄰(K-NN)進行圖像分類和美顏預(yù)測。也有算法以提取局部二值模型(LBP)和 Gabor 等特征的監(jiān)督方式訓(xùn)練自動評分器,在訓(xùn)練內(nèi)容中,對于美的評分是由人工評出的。
圖 2:本文方法概覽。
本文沒有使用基于心理學(xué)發(fā)現(xiàn)的低級面部幾何特征,而是提出了一種關(guān)于面部特征(如眉毛形狀、鼻子大小、頭發(fā)顏色)與面部吸引力之間相關(guān)性的新研究。該研究受到 Leyvand 等人的啟發(fā),他們認(rèn)為高級面部特征在美貌評估中起著重要作用。本文的研究受到大數(shù)據(jù)爆炸和深度學(xué)習(xí)模型前景的驅(qū)動。如圖 2 所示,研究者首先部署了一個深度卷積神經(jīng)網(wǎng)絡(luò)來進行面部特征評估。然后根據(jù)兩個含有真實圖像的大型數(shù)據(jù)集研究高級面部特征和美貌之間的相關(guān)性,再根據(jù)統(tǒng)計結(jié)果選擇與美貌相關(guān)的面部特征。研究者進一步將其結(jié)果與心理學(xué)發(fā)現(xiàn)聯(lián)系起來,并討論其異同。最后,將上述挑選的面部特征與生成對抗網(wǎng)絡(luò)相結(jié)合,以生成美化后的圖像。美化圖像展示出吸引人的效果,驗證了本文研究以及之前心理學(xué)研究的準(zhǔn)確性。
本文主要貢獻如下:
使用在兩個標(biāo)有顏值分?jǐn)?shù)的大型真實數(shù)據(jù)集上訓(xùn)練的深度 CNN 來提取面部特征。
首次提出用定量方法客觀地分析美貌和面部特征之間的相關(guān)性,并根據(jù)統(tǒng)計數(shù)據(jù)選擇具有吸引力的特征。
驗證了現(xiàn)有的關(guān)于美的心理學(xué)研究,并發(fā)現(xiàn)了新的模式。
將這些面部特征與 GAN 相結(jié)合,生成了美貌的圖像,然后對 10000 個數(shù)據(jù)點的用戶進行調(diào)查,以驗證結(jié)果。
論文:Understanding Beauty via Deep Facial Features
論文地址:https://arxiv.org/abs/1902.05380
摘要:關(guān)于美的概念,哲學(xué)家和心理學(xué)家已經(jīng)爭論了幾個世紀(jì),但大多數(shù)定義是主觀和形而上的,缺乏準(zhǔn)確性、普遍性和可擴展性。在本文中,我們基于大數(shù)據(jù)提出了一種關(guān)于挖掘面部屬性的美貌定義的新穎研究,試圖以定量的方式客觀地描述美。我們首先部署深度卷積神經(jīng)網(wǎng)絡(luò)來提取面部特征,然后在兩個標(biāo)有顏值分?jǐn)?shù)的大型數(shù)據(jù)集上研究這些特征與吸引力之間的相關(guān)性。我們不僅通過統(tǒng)計顯著性檢驗發(fā)現(xiàn)了美的秘密,我們的研究結(jié)果也完全符合現(xiàn)有的心理學(xué)研究,例如小鼻子、高顴骨和女人味比較有吸引力。我們通過生成對抗網(wǎng)絡(luò)進一步利用這些高級表征來創(chuàng)建原始圖像。合成后的美貌效果引人注目,并且通過對 10,000 個數(shù)據(jù)點的用戶進行調(diào)查得到了統(tǒng)計學(xué)上令人信服的驗證。
3 方法
3.1 數(shù)據(jù)預(yù)處理
在深度訓(xùn)練之前,數(shù)據(jù)預(yù)處理是更好地進行訓(xùn)練所必需的。圖像歸一化具有四個步驟:面部檢測、特征點(landmark)檢測、對齊、剪切。局部約束模型(CLM)用于面部檢測和特征點檢測。之后如圖 4 所示,提供了 68 個特征點。給定特征點標(biāo)定,眼部位置被設(shè)定為 [92, 129](左眼中心)和 [163, 129](右眼中心),用于對齊,然后將圖像大小裁剪為 256 × 256。
圖 4:圖像預(yù)處理和相應(yīng)的屬性結(jié)果示例
除了圖像預(yù)處理,還要對顏值分?jǐn)?shù)進行歸一化處理,因為當(dāng)每張圖像有多人評分時,會產(chǎn)生一些不一致。所以本文采用多數(shù)投票再取平均數(shù)的方法來產(chǎn)生最終評分。
3.2 特征訓(xùn)練
在本文中,我們采用GoogleNet架構(gòu)來進行特征訓(xùn)練。該網(wǎng)絡(luò)具有 22 層(僅計算了具有參數(shù)的層),9 個 Inception 模塊。GoogLeNet 在 2014 年的 ImageNet 大型視覺識別挑戰(zhàn)賽(ILSVRC14)中實現(xiàn)了分類和檢測的最佳水平。該架構(gòu)擅長使用 1×1 卷積核進行降維,可以在節(jié)省計算資源的同時增加網(wǎng)絡(luò)深度,被稱為 Inception,如圖 5 所示。不同于 ImageNet 分類挑戰(zhàn)賽,其中每個圖像僅作為一個類別,在本文的訓(xùn)練中,每個圖像及其 40 個特征被輸入深度架構(gòu),最終輸出是與真實值(40 個標(biāo)簽)對應(yīng)的多個分類。
圖 5:經(jīng)過降維處理的 Inception 模塊。
總的訓(xùn)練過程如圖 3 所示。首先,將圖像和特征標(biāo)簽輸入至深度 CNN 并抽取特征,然后用全連接層進一步處理這些特征。最后訓(xùn)練 40 個隨機森林分類器進行特征評估,最后輸出特征結(jié)果。
圖 3:特征訓(xùn)練概覽
3.3 相關(guān)性分析
在得到歸一化的美貌得分和 40 個面部特征之后,下一步是探索美的奧秘——面部特征與美貌程度之間的相關(guān)性。
3.4 特征遷移
為了定量評估具備/不具備某種特征的美貌程度差別,我們部署了一個 GAN 來遷移面部特征。GAN 被定義為一個極小極大博弈,其目標(biāo)函數(shù)如下:
訓(xùn)練生成器 G 欺騙判別器 D,判別器 D 則嘗試區(qū)分生成樣本 G(x, c) 和真實樣本 x。
在實踐中,成功地訓(xùn)練 GAN 是一項非常困難的任務(wù),不過現(xiàn)在已經(jīng)有了許多改進。StarGAN 已經(jīng)在圖像到圖像的遷移任務(wù)中取得了令人印象深刻的進展。在訓(xùn)練中除了使用對抗損失外,還采用了特征分類 L_cls 和圖像重建損失 L_rec,實現(xiàn)了當(dāng)前最先進的特征遷移性能。完整目標(biāo)函數(shù)如下:
本研究中的面部特征遷移所用架構(gòu)與《Stargan: Unified generative adversarial networks for multidomain image-to-image translation》中的一致。
4 實驗
表 2:在 Beauty 799 數(shù)據(jù)集中測試的重要特征。
圖 6:10K US 數(shù)據(jù)集中的相關(guān)性分析,包括女性分類下的子類,男性分類下的子類和整個數(shù)據(jù)集。
表 3:在組合數(shù)據(jù)集中測試的重要特征。
圖 7:用戶研究結(jié)果驗證了本文的假設(shè)和相關(guān)分析。
5 分析判斷
5.3 美麗的女性特征
我們不僅能夠通過數(shù)據(jù)統(tǒng)計得出關(guān)于美的客觀定義,而且還有一個有趣的發(fā)現(xiàn),女性化特征被認(rèn)為比男性化特征更有吸引力。從心理學(xué)的角度來看,有大量證據(jù)表明女性特征增加了不同文化中男性和女性面孔的吸引力。濃妝和口紅等特征通常被認(rèn)為是女性的特征。因此,從我們的統(tǒng)計結(jié)果和心理學(xué)來看,這些屬性對吸引力有積極的影響。此外,有一個名為男性化(Male)的性別屬性,從我們的深度模型來看,這個預(yù)測在 CelebA 中是令人信服的(95 % 的準(zhǔn)確率)。然而,我們發(fā)現(xiàn)了一個有趣的結(jié)果,一些來自 Beauty 799 數(shù)據(jù)庫的女性圖像在模型結(jié)果中被估計為男性,這表明這些女性有一些男性特征(男性傾向),并且她們被認(rèn)為不太有吸引力。此外,根據(jù)相關(guān)性分析,這種男性化屬性會降低吸引力。這個例子從反面證明了女性特征可以增加吸引力。
5.4 不一致以及一致的定義
正如之前所提到的,兩個數(shù)據(jù)集之間有一些本質(zhì)的區(qū)別。因此,得到的定義結(jié)果存在一些不一致。我們發(fā)現(xiàn):美國成年人更偏愛黑發(fā)和金發(fā),這和 Beauty 799 得出的結(jié)果是相悖的。這種現(xiàn)象可能是環(huán)境影響所致,不同文化中的人可能對頭發(fā)顏色和體型有著不同的偏愛。除了數(shù)據(jù)庫之間的不一致之外,我們還發(fā)現(xiàn)黑發(fā)和濃眉是具有吸引力的男性特征,但女性并非如此,黑發(fā)和濃眉對女性的美有消極影響。另一個不一致是金發(fā)對于男性和女性美的影響。金發(fā)是女性具有吸引力的特征,放在男性身上卻并非如此。
盡管在 [21, 41] 中存在一些不一致,但其中對于美的定義也存在一些共同之處。表 3 總結(jié)了兩個相對較大的數(shù)據(jù)集中對美發(fā)揮正面或負(fù)面作用的一致特征。例如,濃妝、高鼻梁、涂口紅等特征都會提升吸引力(美)。相對的,大鼻子、偏男性化(指女性)、嘴唇微張則會對吸引力產(chǎn)生負(fù)面影響。
-
神經(jīng)網(wǎng)絡(luò)
+關(guān)注
關(guān)注
42文章
4771瀏覽量
100719 -
圖像
+關(guān)注
關(guān)注
2文章
1083瀏覽量
40449 -
人工智能
+關(guān)注
關(guān)注
1791文章
47200瀏覽量
238268
原文標(biāo)題:人工智能:長相越「娘」顏值越高
文章出處:【微信號:aicapital,微信公眾號:全球人工智能】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。
發(fā)布評論請先 登錄
相關(guān)推薦
評論