Investigadores de NYU desarrollaron una nueva técnica de inteligencia artificial para cambiar la edad aparente de una persona en imágenes mientras se mantienen sus características únicas de identificación.

Investigadores de NYU crearon inteligencia artificial para cambiar la edad aparente de una persona en imágenes sin alterar su identificación.

Los sistemas de IA se están utilizando cada vez más para estimar y modificar con precisión las edades de las personas mediante el análisis de imágenes. Construir modelos que sean robustos a las variaciones del envejecimiento requiere mucha cantidad de datos y conjuntos de datos longitudinales de alta calidad, que son conjuntos de datos que contienen imágenes de un gran número de personas recopiladas a lo largo de varios años.

Se han diseñado numerosos modelos de IA para realizar estas tareas; sin embargo, muchos encuentran desafíos al manipular eficazmente el atributo de edad al tiempo que se preserva la identidad facial de la persona. Estos sistemas enfrentan el desafío típico de reunir un gran conjunto de datos de entrenamiento que consista en imágenes que muestren a personas individuales a lo largo de muchos años.

Los investigadores de la Escuela de Ingeniería Tandon de NYU han desarrollado una nueva técnica de inteligencia artificial para cambiar la apariencia de la edad de una persona en las imágenes al tiempo que se garantiza la preservación de la identidad biométrica única de la persona.

• ChatGPT Enterprise de OpenAI se enfoca en seguridad, escalabilidad y personalización
• Búsqueda de Google en India ahora está impulsada por IA | Aprende cómo usarlo
• Investigadores de la NTU de Singapur proponen IT3D un nuevo método de refinamiento de IA Plug-and-Play para la generación de texto a 3D.

Los investigadores entrenaron el modelo con un pequeño conjunto de imágenes de cada individuo. Además, utilizaron una colección separada de imágenes con subtítulos que indican la categoría de edad de la persona: niño, adolescente, adulto joven, mediana edad, anciano o viejo. El conjunto de imágenes incluye imágenes de celebridades capturadas a lo largo de sus vidas, mientras que las imágenes subtituladas explican la relación entre las imágenes y la edad al modelo. Posteriormente, el modelo entrenado se volvió aplicable para simular escenarios de envejecimiento o rejuvenecimiento, logrados mediante la especificación de una edad objetivo deseada a través de un texto de instrucción. Estos textos de instrucción guían al modelo en el proceso de generación de imágenes.

Los investigadores utilizaron un modelo de difusión latente preentrenado, un pequeño conjunto de 20 imágenes faciales de entrenamiento de un individuo (para aprender la información específica de la identidad del individuo) y un pequeño conjunto auxiliar de 600 pares de imágenes y subtítulos (para comprender la asociación entre una imagen y su subtítulo).

Utilizaron funciones de pérdida adecuadas para ajustar el modelo. También agregaron y eliminaron variaciones o perturbaciones aleatorias en las imágenes. Además, los investigadores utilizaron una técnica llamada “DreamBooth” para manipular imágenes faciales humanas a través de un proceso de transformación gradual y controlada facilitado por una fusión de componentes de redes neuronales.

Evalúan la precisión del modelo en comparación con técnicas alternativas de modificación de edad. Para realizar esta evaluación, se asignó a 26 voluntarios la tarea de asociar la imagen generada con una fotografía real de la misma persona. Además, extendieron la comparación utilizando ArcFace, un algoritmo prominente de reconocimiento facial. Los resultados revelaron que su método mostró un rendimiento superior, superando el rendimiento de otras técnicas, lo que resultó en una reducción de hasta un 44% en la frecuencia de rechazos incorrectos.

Los investigadores descubrieron que cuando el conjunto de datos de entrenamiento tiene imágenes de la categoría de mediana edad, las imágenes generadas representan eficazmente una amplia gama de grupos de edad. Además, si el conjunto de entrenamiento tuviera imágenes en su mayoría de ancianos, el modelo enfrenta desafíos al intentar generar imágenes que caigan en los extremos opuestos del espectro, como la categoría de niños. Además, las imágenes generadas muestran una buena capacidad para transformar las imágenes de entrenamiento en grupos de edad mayores, especialmente en hombres en comparación con mujeres. Esta discrepancia podría surgir de la inclusión de maquillaje en las imágenes de entrenamiento. Por otro lado, las variaciones en la etnia o raza no produjeron efectos notables y distinguibles en las salidas generadas.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!