单独生成的面孔及其评估

研究人员已经成功地使AI理解了我们关于让面部变得有吸引力的主观概念。研究者提出了智能方法并设计了这样一款设备，该设备可以自己根据个人喜好来创建画像，即量身定制肖像。该研究结果可用于例如对偏好和决策进行建模以及潜在地识别无意识态度。

赫尔辛基大学(Universityof Helsinki)和哥本哈根大学(Universityof Copenhagen)的研究人员经研究调查发现计算机能够识别我们认为有吸引力的面部特征，并在此基础上创建符合我们标准的新图像。

研究人员使用AI来解读大脑信号，并将脑机接口与人造面部的生成模型相结合。这使得计算机能够根据个人喜好创建面部图像。

赫尔辛基大学的高级研究员MichielSpapé表示：“在之前的研究中，我们设计了能够识别和控制简单肖像特征的模型(比如头发颜色和情感)。对于谁是金发，谁在微笑，人们在很大程度上是一致的。吸引力是一个更具挑战性的研究课题，因为它与文化和心理因素有关，这些因素可能在我们的个人偏好中扮演着潜意识的角色。事实上，我们经常发现很难解释到底是什么让某件事或某人变得美丽：情人眼里出西施。”

大脑暴露的偏好

最初，研究人员让生成式对抗神经网络(GAN)完成创建数百幅人工画像的任务。这些图片一次一幅地展示给30名志愿者，这些志愿者被要求注意他们认为有吸引力的面孔，同时他们的大脑反应通过脑电图(EEG)记录下来，具体过程如下图所示。

图1:GBCI方法

图1:GBCI方法。A:使用约200k的名人面孔图像训练带有生成器G和鉴别器D的GAN模型。B:在对参与者进行脑电图测量的同时，向他们展示由采样特征向量生成的图像;接下来，他们将看到同样的图片，并根据个人吸引力进行选择;然后，这些收集的数据被用于为每个参与者训练LDA分类器;C:向参与者展示用与B相同的生成程序生成的新图像; 现在，使用他们的个人分类器将他们测得的脑电图反应分类为具有吸引力/无吸引力;D:分类器将被标记为有吸引力的图像的潜在表示(即特征向量)生成新的图像。

图2:数据采集程序。在RSVP过程中，8×60幅图像被以2个刺激/ s的方式机械地呈现。

在RSVP之后，用户通过点击吸引人的图像提供明确的反馈。

Spapé解释道：“它的工作原理有点像约会应用Tinder：当参与者看到一张漂亮的脸时，他们会“向右滑动”。然而，在这里，他们什么都不用做，只需要看图片。我们测量了他们对这些图像的即时大脑反应。”

研究人员使用机器学习技术分析了脑电图数据，通过脑机接口将各个脑电图数据连接到生成神经网络。

图3:从Fz(顶部)和Pz(底部)的总体平均ERP显示了对一致认为有吸引力的面孔(绿色)或没有吸引力的面孔(红色)和不一致的面孔(灰色)的诱发反应

“这样的脑机接口能够解释用户对一系列图像的吸引力的看法。通过解释他们的观点，解释大脑反应的AI模型和对面部图像建模的生成神经网络可以共同产生一个完整的图像。结合特定人的吸引力，可以创造出新的面孔图像。”项目负责人、研究院院士、副教授Tuukka Ruotsalo说道。

为了测试他们建模的有效性，研究人员为每个参与者生成了新的肖像，预测他们会觉得这些人有吸引力。在双盲程序中与匹配的对照组进行测试，他们发现新图像与受试者的偏好匹配的准确率超过80%。

Spapé表示“这项研究表明，通过将人工神经网络连接到大脑反应中，我们能够生成与个人喜好相匹配的图像。成功评估吸引力尤其重要。计算机视觉在基于客观模式的图像分类方面非常成功。通过引入大脑对混合图像的反应，我们证明了可以根据心理属性(例如个人品味)检测并生成图像。”

暴露无意识态度的潜力

研究人员表示，这项研究可以通过AI解决方案与脑机接口之间的交互作用，提高计算机学习和逐渐理解主观偏好的能力，从而造福于社会。

Spapé表示：“如果这在吸引力这样的个人主观因素上也能实现，那么我们或许可以研究其他认知功能，例如感知和决策。我们可能会调整设备来识别刻板印象或内隐偏见，并更好地理解个体差异。”

参考

sciencedaily

Brain-computer interface for generating personally attractive images

版权声明

文章仅用于学术交流，不用于商业行为，

转载请联系下面微信，

若有侵权及疑问，请后台留言，管理员即时删侵！

更多阅读

共享脑影像数据？来中国科学院脑影像数据共享平台！

运动想象脑机接口中模式识别方法研究

最新研究 | 人类大脑皮质对有声调和非有声调语言的音高编码

Hinton：我终于想明白大脑怎么工作了！神经学家花三十年，寻找反向传播的生物机制

基于深度学习网络的运动想象BCI系统及其应用

你的每一次在看，我都很在意！