Исследователи Инженерной школы Тандона Нью-Йоркского университета разработали новую технику искусственного интеллекта, позволяющую изменять видимый возраст человека на изображениях, сохраняя при этом его уникальные идентификационные характеристики, что является значительным шагом вперед по сравнению со стандартными моделями искусственного интеллекта, которые могут заставить людей выглядеть моложе или старше, но не сохранять их индивидуальные биометрические данные.

В статье, опубликованной на сервере препринтов arXiv и которая будет представлена ​​на материалах Международной совместной конференции IEEE по биометрии (IJCB), Судипта Банерджи, первый автор статьи и доцент кафедры компьютерных наук и инженерии (CSE) ) Департамент и его коллеги обучили генеративную модель ИИ — модель скрытой диффузии — чтобы «знать», как выполнять трансформацию возраста с сохранением идентичности.

Для этого Банерджи, работая с доктором философии CSE. кандидат Говинд Миттал и доктор философии. Выпускница Амейя Джоши под руководством Чинмей Хегде, доцента CSE, и Насира Мемона, профессора CSE, преодолела типичную для этого типа работы задачу, а именно сбор большого набора обучающих данных, состоящих из изображений, на которых показаны отдельные люди на протяжении многих лет.

Вместо этого команда обучила модель небольшому набору изображений человека, а также отдельному набору изображений с подписями, указывающими возрастную категорию представленного человека: ребенок, подросток, молодой человек, средний возраст, пожилой или пожилой человек. . В этот набор вошли изображения знаменитостей, запечатленные на протяжении всей их жизни.

Модель изучила биометрические характеристики, которые идентифицировали людей из первого набора. Изображения с подписями о возрасте научили модель взаимосвязи между изображениями и возрастом. Обученную модель затем можно было бы использовать для моделирования старения или замедления старения, указав целевой возраст с помощью текстовой подсказки.

Исследователи применили метод под названием «DreamBooth» для редактирования изображений человеческих лиц, постепенно изменяя их с помощью комбинации компонентов нейронной сети. Этот метод включает добавление и удаление шума (случайных изменений или помех) к изображениям с учетом основного распределения данных.

Этот подход использует текстовые подсказки и метки классов для управления процессом создания изображения, уделяя особое внимание поддержанию конкретных деталей и общего качества изображения. Для точной настройки модели нейронной сети используются различные функции потерь, а эффективность метода демонстрируется посредством экспериментов по созданию изображений человеческого лица с возрастными и контекстными изменениями.

Исследователи протестировали свой метод на фоне других существующих методов изменения возраста, попросив 26 добровольцев сопоставить сгенерированное изображение с реальным изображением этого человека, а также с помощью ArcFace, алгоритма распознавания лиц. Они обнаружили, что их метод превосходит другие методы: количество ошибочных отклонений снижается до 44%.