Kasvojen vanhentaminen ohjelmistolla – miltä lapsi näyttää aikuisena

Vauvan kasvoista sanotaan usein, että hänellä on äidin silmät tai isän nenä. Lopullista aikuisen ulkonäköä on silti lähes mahdotonta ennustaa varmasti, sillä ihmisen kasvot muuttuvat vuosikymmenten aikana valtavasti: luusto kasvaa, ihonalainen rasva vähenee ja pehmytkudokset laskeutuvat. Juuri tähän pulmaan on kehitetty ohjelmistoja, jotka arvioivat yhdestä ainoasta valokuvasta, miltä lapsi näyttää aikuisena – ja jopa 80-vuotiaana. Tässä artikkelissa käydään läpi, mihin tekniikka perustuu, mihin sitä oikeasti käytetään, kuinka luotettavia ennusteet ovat ja mitä yksityisyydestä kannattaa muistaa ennen oman kuvan lataamista.

Mitä kasvojen ikäennuste tarkoittaa?

Kasvojen ikäennuste (englanniksi age progression) tarkoittaa menetelmää, jolla yhdestä kasvokuvasta tuotetaan uusi kuva, joka esittää saman ihmisen arvioidun ulkonäön tulevaisuudessa – tai joskus menneisyydessä. Kyse ei ole varsinaisesta ennustamisesta tulevaisuuden merkityksessä, vaan tilastollisesta arviosta: ohjelma vertaa syötettyä kuvaa valtavaan joukkoon muita kasvokuvia ja laskee, miten tietyn ikäiset kasvot tyypillisesti muuttuvat tietyn ikäisiksi.

Perinteisesti tämän työn ovat tehneet forensiset eli rikostutkinnalliset piirtäjät käsin. He yhdistävät anatomian tuntemuksen, vanhempien valokuvat ja kokemuksensa luodakseen arvion esimerkiksi kadonneen lapsen nykyisestä ulkonäöstä. Työ on hidasta ja vaatii erikoisosaamista. Tietokonepohjainen ikäennuste pyrkii automatisoimaan juuri tämän: tekemään saman arvion nopeasti ja toistettavasti. Samalla tekniikka liittyy laajempaan ilmiöön, jossa tekoäly tunnistaa ja tulkitsee valokuvien sisältöä ihmisen puolesta.

Washingtonin yliopiston läpimurto vuonna 2014

Uutinen, josta tämä aihe aikoinaan nousi laajaan tietoisuuteen, koski Washingtonin yliopiston GRAIL-tutkimusryhmän työtä. Tutkijat Ira Kemelmacher-Shlizerman, Supasorn Suwajanakorn ja Steven M. Seitz esittelivät vuonna 2014 menetelmän nimeltä Illumination-Aware Age Progression, joka tuottaa yhdestä lapsen valokuvasta sarjan vanhennettuja kuvia ikävälille 1–80 vuotta. Työ esiteltiin kesäkuussa 2014 alan johtavassa CVPR-konferenssissa, ja sitä rahoittivat Google ja Intel.

Menetelmä oli merkittävä siksi, että se oli ensimmäinen täysin automaattinen tapa vanhentaa kasvot vauvasta aikuiseksi niin, että se selviytyi myös vaihtelevasta valaistuksesta, erilaisista ilmeistä ja pään asennoista. Aiemmat tietokonemenetelmät vaativat tarkasti vakioituja studiokuvia; GRAIL-ryhmän lähestymistapa toimi tavallisilla, arkisilla valokuvilla. Lisää tietoa löytyy edelleen projektin kotisivuilta, ja brittiläinen Wired uutisoi tutkimuksesta jo tuoreeltaan.

Näin ohjelmisto rakentaa ennusteen

Ohjelman logiikka perustuu suureen kuva-aineistoon. Tutkijat keräsivät tuhansia internetistä löytyneitä kuvia eri-ikäisistä lapsista ja aikuisista. Näistä muodostettiin ikäryhmittäin ”keskiarvokasvot” eli prototyypit, jotka edustavat kunkin ikävuoden tyypillistä kasvonmuotoa ja -tekstuuria. Prosessi etenee karkeasti näin:

• Kohdistus: Kaikki kuvat asetetaan samaan asentoon ja kohdistetaan pikseli pikseliltä, jotta silmät, nenä ja suu osuvat samoille kohdille.
• Valaistuksen mallinnus: Kuville lasketaan yhtenäinen valaistus, jotta varjot ja heijastukset eivät sotke vertailua. Tämä on menetelmän nimen taustalla oleva ”illumination-aware” eli valaistustietoinen osuus.
• Erojen laskenta: Ohjelma laskee, miten kasvojen muoto ja pinta eroavat ikäryhmien välillä – esimerkiksi miten posket kapenevat tai leuka voimistuu.
• Siirto uuteen kuvaan: Nämä tilastolliset erot siirretään syötettyyn valokuvaan, jolloin syntyy arvio siitä, miltä juuri tämä henkilö näyttäisi vanhempana.

Lopputuloksen laskeminen onnistui tavallisella tietokoneella alle minuutissa. Verrattuna käsin piirtettävään ikäennusteeseen tämä oli valtava nopeusetu.

Miksi pienimmät lapset ovat vaikein tapaus

Kuulostaa yllättävältä, mutta juuri kaikkein nuorimmat lapset ovat ennustamisen kannalta hankalin ryhmä. Alle viisivuotiaiden kasvonpiirteet muistuttavat yhä voimakkaasti vauvan pyöreitä piirteitä, eivätkä ne vielä paljasta aikuisen kasvojen rakennetta. Tutkijoiden mukaan Yhdysvaltain kadonneiden ja hyväksikäytettyjen lasten keskus (National Center for Missing & Exploited Children) oli kuitenkin korostanut, että juuri näiden pienten lasten ikäennusteet ovat käytännössä kaikkein arvokkaimpia – ja samalla forensiselle piirtäjälle vaikeimpia tehdä. Siksi automaattisesta menetelmästä toivottiin apua juuri tähän.

Mihin kasvojen vanhentamista käytetään?

Kasvojen ikäennuste ei ole pelkkä viihdetemppu. Sillä on useita käyttökohteita, joiden vakavuus vaihtelee huomattavasti:

• Kadonneiden henkilöiden etsintä: Tärkein tutkimuksellinen motiivi. Jos lapsi on kadonnut vuosia sitten, vanhennettu kuva auttaa viranomaisia ja suurta yleisöä tunnistamaan hänet nykyisen näköisenä.
• Rikostutkinta ja oikeuslaitos: Pitkään etsityistä epäillyistä voidaan tuottaa päivitetty arvio ulkonäostä.
• Viihde ja sosiaalinen media: Suosituimmat kuluttajasovellukset tekevät ikäennusteesta hauskan suodattimen, jolla näkee itsensä vanhana tai nuorena.
• Terveydenhuolto ja tutkimus: Kasvojen ikääntymisen mallintaminen auttaa esimerkiksi ihotautien ja ikääntymisen tutkimuksessa.
• Elokuva- ja peliala: Hahmojen ikääntäminen tai nuorentaminen on osa nykyaikaista visuaalista tehostetuotantoa.

Viihdekäytössä kannattaa muistaa, että kyse on arviosta eikä ennustuksesta. Samaan tapaan kuin pohdinnoissa siitä, voittaako kone ihmisen tietyissä tehtävissä, ohjelma on vahva keskiarvojen laskija mutta ei näe yksilön tulevaisuutta.

Tekoäly muutti alan: GAN-verkoista kuluttajasovelluksiin

Vuoden 2014 menetelmä perustui keskiarvokasvojen ja tilastollisten erojen laskentaan. Sen jälkeen ala on muuttunut voimakkaasti syväoppimisen myötä. Nykyiset huippumenetelmät käyttävät niin sanottuja generatiivisia vastakkaisverkkoja (GAN, generative adversarial network). Niissä kaksi neuroverkkoa ”kilpailee” keskenään: toinen luo vanhennettuja kasvokuvia ja toinen yrittää erottaa ne aidoista valokuvista. Tämän kilpailun ansiosta syntyvät kuvat näyttävät yhä realistisemmilta.

Keskeinen tekninen haaste on identiteetin säilyttäminen: vanhennetun kuvan pitäisi näyttää vanhemmalta mutta silti tunnistettavasti samalta ihmiseltä. Vuoden 2018 CVPR-konferenssissa esitellyt pyramidirakenteiset GAN-mallit pyrkivät ratkaisemaan tämän erottamalla toisistaan henkilön tunnistettavat piirteet ja ikään liittyvät muutokset. Sama tekoäly osaa nykyään myös muokata ja korjata valokuvia monin tavoin, mikä on sekä hyödyllistä että eettisesti arveluttavaa.

Kuluttajasovellukset ja niiden rajat

Suurin osa ihmisistä kohtaa ikäennusteen puhelinsovelluksen suodattimena. Tunnetuin esimerkki on FaceApp, jonka vanhennussuodatin levisi maailmanlaajuiseksi ilmiöksi vuonna 2019. Tällaiset sovellukset ovat nopeita ja näyttäviä, mutta ne on suunniteltu viihteeksi, eivät tarkaksi ennustamiseksi. Ne latautuvat usein pilvipalveluun, jossa varsinainen laskenta tehdään, mikä nostaa esiin yksityisyyskysymykset.

Kuinka tarkkoja ennusteet ovat?

Ikäennuste on aina arvio todennäköisimmästä lopputuloksesta, ei varma kuva tulevaisuudesta. Useat tekijät vaikuttavat siihen, miten hyvin arvio osuu:

• Perimä: Geenit määräävät suuren osan kasvojen rakenteesta, mutta ohjelma ei tunne yksilön sukua.
• Elämäntavat: Tupakointi, auringonotto, paino ja uni muuttavat ihoa ja kasvojen muotoa tavoilla, joita algoritmi ei voi tietää etukäteen.
• Lähtökuvan laatu: Huono valaistus, matala resoluutio tai poikkeava kuvakulma heikentävät tulosta.
• Ikäväli: Mitä pidemmälle tulevaisuuteen ennustetaan, sitä epävarmemmaksi tulos muuttuu.

Tutkimuskäytössä tarkkuutta arvioidaan vertaamalla ohjelman tuottamia kuvia saman henkilön oikeisiin, myöhemmin otettuihin valokuviin. Parhaimmillaan automaattinen ikäennuste osuu keskimäärin yhtä hyvin tai paremmin kuin käsin piirretty, mutta yksittäisen ihmisen kohdalla heitto voi silti olla suuri. Kiinnostava sivujuonne on, miten ohjelmat käsittelevät kasvojen mittasuhteita ja kultaista leikkausta osana kasvojen rakennetta.

Tietosuoja ja yksityisyys

Kasvokuva on biometrinen tunniste, eli se yksilöi ihmisen samaan tapaan kuin sormenjälki. Siksi ikäsovellusten käyttöön liittyy aito yksityisyysnäkökulma. Kun FaceApp nousi otsikoihin vuonna 2019, huolta herätti erityisesti se, että valittu valokuva lähetettiin sovelluksen palvelimelle käsiteltäväksi ja että sovelluksen taustalla oli ulkomainen yhtiö. Yhdysvalloissa aina senaattia myöten vaadittiin selvitystä siitä, mihin käyttäjien kuvat päätyvät.

Käytännön ohjeet ovat yksinkertaisia mutta tärkeitä:

• Lue, käsitteleeökö sovellus kuvat laitteessa vai pilvipalvelussa.
• Tarkista, kuinka kauan kuvia säilytetään ja voiko ne poistaa.
• Vältä lasten kuvien lataamista tuntemattomiin palveluihin.
• Muista, että ”ilmainen” sovellus rahoittaa usein toimintansa datalla tai mainoksilla.

Lasten kasvokuvien kohdalla varovaisuus korostuu. Vaikka vanhennussuodatin on viaton hauskuus, lapsen biometrisen datan luovuttaminen tuntemattomalle toimijalle on eri asia kuin aikuisen oma päätös osallistua.

Kenelle tästä on hyötyä?

Kasvojen ikäennuste palvelee hyvin erilaisia käyttäjiä. Viranomaisille ja kadonneiden etsijöille se on vakava työkalu, joka nopeuttaa ja täydentää forensista piirtämistä. Tutkijoille ja lääketieteen ammattilaisille se tarjoaa tavan mallintaa ikääntymistä. Tavallisille käyttäjille kyse on ennen kaikkea viihteestä: on hauska nähdä, miltä itse tai oma lapsi voisi joskus näyttää. Oleellista on ymmärtää ero näiden käyttötapojen välillä – ja suhtautua tulokseen kiinnostavana arviona, ei ennustuksena.

Usein kysytyt kysymykset (UKK)

Voiko ohjelmisto todella näyttää, miltä lapsi näyttää aikuisena?

Se tuottaa tilastollisen arvion, ei varmaa kuvaa. Ohjelma vertaa lapsen kasvoja tuhansiin muihin kuviin ja laskee, miten vastaavat kasvot tyypillisesti muuttuvat iän myötä. Tulos on todennäköisin keskimääräinen lopputulos, johon yksilölliset geenit ja elämäntavat voivat vaikuttaa paljon.

Mihin kasvojen ikäennustetta oikeasti käytetään?

Tärkein vakava käyttökohde on kadonneiden lasten ja henkilöiden etsintä, jossa vanhennettu kuva auttaa tunnistamisessa. Lisäksi sitä käytetään rikostutkinnassa, lääketieteen tutkimuksessa, elokuvatehosteissa ja viihdesovelluksissa.

Kuinka tarkkoja ennusteet ovat?

Tarkkuus riippuu lähtökuvan laadusta ja ennustettavasta ikävälistä. Lyhyellä aikavälillä ja hyvälaatuisesta kuvasta tulos on usein uskottava, mutta mitä kauemmas tulevaisuuteen ennustetaan, sitä epävarmemmaksi se muuttuu. Ihmisen yksilöllisiä valintoja algoritmi ei voi tietää.

Mitä eroa on tutkimusohjelmistolla ja FaceApp-tyyppisillä sovelluksilla?

Tutkimusohjelmistot on suunniteltu mahdollisimman tarkoiksi ja toistettaviksi, usein forensiseen käyttöön. Kuluttajasovellukset taas tavoittelevat näyttävää ja hauskaa lopputulosta nopeasti, eivätkä ne pyri tieteelliseen tarkkuuteen.

Onko kasvokuvien lataaminen ikäsovelluksiin turvallista?

Kasvokuva on biometrinen tunniste, joten varovaisuus kannattaa. Tarkista aina, käsitteleeökö sovellus kuvat laitteessa vai palvelimella, kuinka kauan niitä säilytetään ja voiko ne poistaa. Lasten kuvien lataamista tuntemattomiin palveluihin kannattaa välttää.