Прогнозирование внешности в старости по фотографии¶

Прогнозирование внешности в старости по фотографии — это задача компьютерного зрения и машинного обучения, заключающаяся в генерации изображения лица человека в пожилом возрасте на основе его фотографии в молодости. Метод относится к классу задач трансфер-обучения изображений (image-to-image translation) и решается с помощью глубоких нейронных сетей, прежде всего генеративных состязательных сетей (GAN) и диффузионных моделей.

¶Принцип работы

Алгоритмы прогнозирования старения строятся на том, что возрастные изменения лица имеют относительно предсказуемую структуру: появление морщин, птоз (опущение) мягких тканей, уменьшение объёма подкожно-жировой клетчатки, изменение контуров нижней трети лица, поседение и истончение волос, изменение цвета и текстуры кожи. Нейросеть обучается на парах «молодое фото — фото того же человека в старости» либо на больших датасетах лиц разных возрастов, извлекая закономерности возрастной трансформации.

В большинстве систем сначала выполняется детекция и выравнивание лица (alignment), затем изображение кодируется в латентное представление, и декодер генерирует результат, сохраняя индивидуальные черты — форму глаз, носа, губ, пропорции лица, — но добавляя возрастные маркеры.

¶Основные подходы

¶Генеративные состязательные сети

Классическим архитектурным решением стала модель IPGAN (2017), предложенная группой исследователей из Китая, а также GANimation и SAM (Smooth and Age Manipulation). Эти сети состоят из генератора, создающего состаренное изображение, и дискриминатора, оценивающего реалистичность результата. Особенность задачи — необходимость сохранения идентичности (identity preservation): лицо должно оставаться узнаваемым.

¶Диффузионные модели

С 2022 года на смену GAN пришли диффузионные модели, такие как Stable Diffusion с модифицированными текстовыми промптами и специализированные пайплайны (например, FSGAN, StyleGAN-Human). Диффузионные подходы обеспечивают более высокое качество текстур и меньше артефактов, но требуют существительных вычислительных ресурсов.

¶Методы на основе 3D-моделей

Некоторые системы (например, приложение FaceApp, разработанное российской командой) сначала восстанавливают 3D-модель лица, затем деформируют её по возрастным шаблонам и текстурируют с учётом старческих изменений кожи. Этот подход даёт более стабильный результат при разных ракурсах.

¶Популярные сервисы и приложения

¶Точность и ограничения

Прогноз внешности в старости носит вероятностный характер. Алгоритмы отражают типовые возрастные изменения, но не учитывают индивидуальные факторы: образ жизни, питание, состояние здоровья, климат, наследственность, косметологические процедуры и хирургические вмешательства. Исследования показывают, что точность сохранения идентичности в современных моделях достигает высоких значений по метрике сходства (LPIPS, identity cosine similarity), однако реальное лицо человека через 40–50 лет может существенно отличаться от прогноза.

Дополнительную сложность представляет гендерная и расовая предвзятость моделей: датасеты для обучения часто перекошены в сторону определённых демографических групп, что ухудшает качество прогноза для остальных.

¶Применение

Помимо развлекательного использования, технологии прогнозирования старения применяются в:

• криминалистике — для составления возрастных портретов (age progression) разыскиваемых лиц, в том числе детей, пропавших много лет назад;
• медицинской визуализации — иллюстрации последствий курения, воздействия солнца и других факторов;
• исследованиях геронтологии — визуальная демонстрация возрастных изменений.

¶Этические вопросы

Использование таких технологий связано с этическими рисками: создание компрометирующих изображений, «омоложение» или «состаривание» людей без их согласия, возможное использование для манипуляций. Ряд юрисдикций, включая Россию (с 2023 года действует закон о праве на собственное изображение), ужесточает требования к публикации и обработке персональных биометрических данных.

Источники:

• Karras T. et al. A Style-Based Generator Architecture for Generative Adversarial Networks (StyleGAN), CVPR 2019
• Hu Z. et al. Age Progression and Regression with Spatial Attention Modules, 2018
• Serengil S. et al. HyperExtended LightFace: A Facial Recognition Study on Age, Occlusion and Illumination, 2021
• Документация FaceApp (Wireless Lab OOO)
• Статьи журнала «Прикладная математика и информатика» по задачам генерации изображений