“顏值”的量化和操控：面孔吸引力數據庫的美學思想及算法邏輯

摘 要 面孔吸引力影響著人們生活的方方面面，是當下的研究熱點之一。隨著計算機科學的發展，通過計算機模型預測面孔吸引力成為可能，許多面孔吸引力數據庫也應運而生。面孔吸引力數據庫所提取的特征可歸納為形式美學、進化美學和數據驅動三大類，預測建模方法則可分為符號主義和聯結主義。通過面孔特征和建模方法兩個角度總結面孔吸引力數據庫，根據數據庫的發展特點和現狀，從時間角度分析數據庫的變化及其原因。未來應致力于建立特征全面、標準化的多模態數據庫；從學科交叉的視角，探索面孔美的本質。

關鍵詞 面孔吸引力；數據庫；人工智能；美學

分類號 B842

DOI：10.16842/j.cnki.issn2095-5588.2024.09.005

1 引言

“愛美之心，人皆有之；古今中外，概莫如是”，追求美是人的本性。“顏值”即面孔吸引力，是“目標面孔所誘發的一種積極愉悅的情緒體驗以及驅使個體產生接近意愿的程度（Rhodes， 2006）”，影響著擇偶、選舉、求職、合作與信任等方面（Lai et al.， 2021; Masch et al.， 2021; Shen et al.， 2020）。面孔數據庫的建立作為面孔吸引力研究的開端和基礎，是推動這一領域發展的燃料 （Raji amp; Fried， 2021）。二十多年來，已有不少研究者開發了諸多類型和適用性不同的數據庫，這些數據庫不單取決于計算機技術的水平，更是反映了人們對面孔美的理解，因此，對此進行回溯和剖析有助于我們審視“何為美”這一爭論千年的話題。

康德在《判斷力批判》中提出，美的鑒賞判斷建立在共同經驗基礎之上。基于“審美共識”，計算機就能結合相關理論，實現“顏值的量化”，即根據不同面孔特征，對于面孔吸引力進行心理建模。建立的模型能夠實現對面孔吸引力的自動評估，在整形醫療、社交網站服務等方面都得到了廣泛的應用，是將面孔吸引力相關理論研究運用于現實的重要途徑。面孔吸引力的量化主要包含六個步驟（Saeed amp; Abdulazeez， 2021）（見圖1）：收集人臉圖片數據、人臉圖片預處理、人臉圖片評分、特征提取和選擇、預測模型的開發和模型驗證。若要通過機器學習建立預測模型，則需要選擇數據庫中面孔特征作為預測參數。面孔特征的選擇是面孔吸引力評定的關鍵步驟，其背后隱含著美學理論基礎，并存在適配的算法。從美的角度來看，選取的面孔特征體現了研究者對面孔美本質的理解。如平均性、性別二態性和對稱性體現的是進化美學的思想（Thornhill amp; Gangestad， 1999），幾何比例、紋理特征體現的是形式美學的思想（ Lin， 2015），這兩種體現的是“美在特征”的思想。隨著生物特征識別技術的發展，基于特征臉、Gabor濾波器等整體面孔信息進行建模，可視為一種“美在整體”的“數據驅動的方法”（Cao et al.， 2020）。從算法角度來看，提取不同面孔特征需適配不同算法（Lebedeva et al.， 2021）。本文將首先對數據庫建立所提取的特征進行歸類，深挖這些特征對應的不同美學思想，且根據顏值量化過程中所采取的算法，分析不同算法所對應的人工智能流派，最后對數據庫的特征和算法之間的適配性進行總結。

2 數據庫建立的美學思想——基于所提取面孔特征的分類

2.1 基于形式美學的面孔吸引力數據庫

形式美的構成要素包括：色、形、聲、質、味（王德勝， 2016）。其中色體現在面孔的膚色，形體現在面孔的幾何特征，而質體現在面孔的紋理特征；聲、味則可以作為面孔吸引力的附加因素進行研究。幾何形式強調比例的和諧，如一張有吸引力的面孔的各個部分會遵循一定的比例和規律（Farkas et al.， 1985）；紋理形式強調面部紋理的均衡與統一，如更加均勻的皮膚紋理能夠正向預測對健康和吸引力程度的感知評分（Tan et al.， 2018），皮膚的質地，如油性/干性皮膚也影響著面孔吸引力（Sakano et al.， 2021）；此外，膚色也是影響面孔吸引力的重要因素之一（Perrett et al.， 2020）。

2.1.1 幾何特征

面孔的幾何特征，如五官之間的比率特征以及面部寬度高度等，與個體美感感知高度相關（Cunningham et al.， 1995）。幾何特征的選擇可從兩個方面考慮，一是形式美的傳統特征，如黃金比例、垂直三分法和水平五分法等（Zhang et al.， 2016）；二則為特征臉技術表征的整體面孔特征（詳細介紹于2.3）。黃金比例作為一個經典的形式美標準，在面孔吸引力領域得到了廣泛的理論研究。有研究表明黃金比例特征與美麗感知有關（Ferrandis et al.， 2018），然而也有研究認為黃金比例無法作為面孔吸引力的普遍評價標準，如可能存在著種族差異（Khoshab et al.， 2022）。盡管對于“符合黃金比例的面孔是否更加美麗”這一問題仍然存在爭議，但其作為一個重要的形式美學指標，對于面孔吸引力幾何特征的選取具有一定參考價值。與黃金比例相關的特征向量常被作為預測指標。特征向量的確定方式是先測量面部的寬和高，定位嘴巴、眼睛、眉毛等位置的關鍵點，再根據關鍵點確定特征向量，這一過程往往需要結合面孔吸引力的相關研究和美學的相關理論（如黃金比例、三庭五眼等面孔形式美規則）確定。具體而言，如Aarabi等（2001） 在獲得面部的半徑、眼睛的位置和嘴的關鍵點的基礎上，確定了與面孔美相關聯的八個比率特征（其中包含與黃金比例有關的特征）作為面孔吸引力模型的預測參數；Gunes等（2004）根據黃金比例和面部三分法確定了15個特征向量；Schmid等（2008）根據人體測量學的研究結果確定了29個面部特征點，再基于新古典主義提出的比例特征和對稱性確定了16個幾何特征向量；White等（2004）則提取了臉部寬度、眉毛高度和臉型等作為預測參數。

2.1.2 色彩特征

色彩是由視覺器官接受的形式因素，包括色相、明度和純度三個方面。從明度上來看，有研究提出淺膚色的面孔更受歡迎（Cruz， 2018），也有研究提出深色面孔更具有吸引力（Fink et al.， 2001）。此外，一張面孔色彩的均勻分布也影響了吸引力的感知（Fink et al.， 2006）。顏色特征的提取可以采用HSV中心距法，該方法可根據顏色的色調（H）、飽和度（S）、明度（V）的兩端值設定顏色的參數，表征面孔膚色。Eisenthal等（2006）通過HSV方法提取了發色、膚色的色調和飽和度的測量值，作為面孔吸引力的預測參數；White等（2004）提取了瞳孔顏色作為預測變量之一。

2.1.3 紋理特征

形式美的“質”，是由觸覺器官所接受的形式因素，指材料表面的組織形態特征，包括粗糙、細膩、柔軟、剪影、凹凸、起伏、紋理等（王德勝， 2016）。面孔的“質”體現在皮膚的紋理特征，如皮膚光滑度。更具光澤的面孔，其吸引力和所帶來的面孔情感印象更好（Ikeda et al.， 2021），而瑕疵皮膚對于面孔吸引力則存在負面影響（Jaeger et al.， 2018）。從特征的提取上看，皮膚的紋理特征是一種全局特征，往往采用Gabor 特征進行描述。Gabor濾波器是提取圖像全局紋理特征的一種方法，它模擬了人類視覺系統的視覺感受特性，具有時域和頻域的聯合最佳分辨率（劉麗， 匡綱要， 2009）。在人臉識別技術中得到廣泛應用后，也被推廣到面孔吸引力的預測中，許多研究采用了Gabor濾波器表征面孔的紋理信息（見表2），用于特征提取。

2.2 基于進化美學的面孔吸引力數據庫

進化美學，最早由Eckart Voland和Karl Gra-mmer （2003） 在Evolutionary Aesthetics一書中正式提出，即利用自然選擇理論和性選擇理論等進化適應性原理來解釋美和藝術的發生、發展和影響（郭玉越， 2017）。從這一角度來看，美來源于本能，最初是一種本能的感覺；美發展于人類與其所處的自然環境，由人與環境之間長期、相互的張力作用而推動；對美的偏好影響著人類的生存與發展，對于人類來說具有適應性的作用（Tooby amp; Cosmides， 2001）。以人體美為例，個體對于高吸引力的面孔存在本能的偏好，如嬰兒對于高吸引力的面孔注視時間更長（Slater et al.， 1998）；進一步的研究發現平均性、對稱性和性別二態性是影響面孔美的三大進化美學因素（Jones amp; Jaeger， 2019; Thornhill amp; Gangestad， 1999），平均、對稱、性別化特征強的面孔之所以被感知為更美，并非是由人為規定，而是因為其象征著更好的基因和更強的繁殖能力；因此對于這些特征的偏好，是自然選擇和性選擇的結果。

2.2.1 平均性

平均臉假說，即合成的平均面孔，相較于原始面孔具有更高的吸引力（Rhodes et al.， 2002）。其原理為“美在于看得輕松”，即平均的面孔能夠減輕個體的處理負擔，增加流暢性，因此具備更高的吸引力（Trujillo et al.， 2014）。平均性可細化到形狀和紋理的平均，二者對面孔吸引力共同起作用（Little amp; Hancock， 2002）。因此，在平均臉的量化上，可以分為紋理和幾何形狀兩個維度進行量化或操作，如Said和Todorov （2011） 曾通過FaceGen軟件，根據25個形狀維度和25個紋理維度的信息合成的面孔，建立臉部平均性的預測模型。

2.2.2 性別二態性

成熟男性和女性經過青春期第二性征的發展后逐步形成了體態上的性別二態性， 即男性化和女性化（陳麗君等， 2017）。性別二態性可以作為發育過程中健康、免疫能力、繁衍能力的指標（Foo et al.， 2020）。面孔的性別二態性主要與眉骨高度、顴骨明顯程度、下巴寬窄、鼻梁長短等幾何特征以及皮膚的紋理特征有關（Penton-Voak et al.， 1999），對于二態性程度的量化，是基于紋理、幾何等形式特征的組合。如Said和Todorov （2011）通過25個形狀維度和25個紋理維度表征合成面孔的性別化程度，建立了一個二態性模型。此外，也有研究者探究二態性和吸引力評分之間的關系，如White等（2004）為了研究男性化和女性化程度是否與面孔吸引力存在關系，探究性別化分數能否作為模型的預測特征，利用機器學習技術對面孔性別進行了分類，并將與性別邊界的距離作為性別化的分數，進行了線性回歸，結果發現這一特征并未成為面孔吸引力模型的有效預測參數。此研究中，面孔性別化未成為有效的預測參數可能存在以下原因：一是面孔來源為線上約會網站，存在著面孔材料標準化程度較低的問題；二是性別化的評分方式為通過算法計算的與性別邊界的距離，并未報告不同性別化分數的分布，相較于心理學實驗中采用的合成性性別化面孔，可能存在面孔圖片性別化程度差異模糊的問題。

2.2.3 對稱性

面部對稱性是指一張臉的一半與另一半的相似程度。從進化的角度來看，面部對稱性反映了發育的不穩定性，能夠表征個體的健康水平（M?ller amp; Swaddle， 1997）。因此，從進化美學的角度來看，對稱的面孔相對來說具有更高的吸引力（Jones amp; Jaeger， 2019）。作為面孔的一個局部特征，對稱性往往作為一個因素，而非面孔吸引力評價的唯一指標。如White等（2004）將對稱性納入考量，但主要基于幾何向量設計了評估面孔吸引力的分類模型；Schmid等（2008）在選取幾何向量時，考慮了能夠代表面部對稱性的向量；Eisenthal等（2006）則驗證了對稱的面孔是否更具吸引力。

2.3 數據驅動的面孔吸引力數據庫

隨著人臉識別技術的發展，特征臉方法被提出。特征臉法是一種基于主成分分析的人臉識別方法，能夠對復雜的人臉空間進行降維，并最大限度地保留有效信息，是表征人臉幾何信息的有效方式（吳巾一， 周德龍， 2009）。特征臉法可用于表征整體面孔信息，最初用于人臉識別技術。隨著技術的發展，特別是深度學習的發展，也被用于面孔吸引力的預測。而相較于形式美的傳統特征，特征臉技術所表征的面部特征能夠更全面地表征整個面孔的信息，但同時由于缺乏相關的心理理論基礎，因此往往是一種數據驅動的方式。特征臉方法應用于面孔吸引力的預測上，克服了上文提到的傳統特征的局限性，如容易丟失信息、特征工程繁復等。依賴于其強大的表征能力，特征臉技術也是應用最為廣泛的面孔吸引力預測建模表征方法（見表2）。

3 數據庫建立的算法邏輯——基于建模的方法

在建模階段（參考圖1），將所提取的面孔特征輸入計算機，選擇相應的算法建模。而在實際建模的過程中，往往不會只采用一種方法，而是嘗試在同一個數據庫上使用多種方法，最終得到最優模型。然而根據特征參數的特性，如數量、圖片色彩、面孔特征類型等，數據庫與不同算法存在一定適配性（見表1），這需依賴于當時算法的開發和發展。這一部分將從符號主義、聯結主義兩大人工智能原理歸納各個數據庫建模的算法，以此展望未來算法推動下數據庫的可能發展。

3.1 符號主義算法

符號主義人工智能以認知心理學相關原理作為基礎，認為人類認知的過程是符號運算，即知識表示和推理的過程，是一種知識驅動的方法 （張鈸等， 2020; 魏斌， 2022）。符號主義主要算法包括K最近鄰（K-Nearest Neighbours， KNN）、支持向量機 （support vector machines， SVM）、決策樹（Decision Tree）、回歸算法和隨機森林（Random forest， RF）等。其輸入特征一般為幾何、紋理、色彩等形式美學特征，或是由各個形式特征組合而成的平均性、性別二態性和對稱性等進化美學特征。如Aarabi等（2001）以八個幾何比率向量為特征，利用KNN算法在創建的80張灰度面孔的自建數據庫上建模；White等（2004）則在自建數據庫上，驗證平均化的面孔是否更具吸引力；Zhao等（2019）基于自建人臉數據庫，提出了一種平均臉合成算法；Said 和Todorov（2011）在合成面孔數據庫上，建立了平均臉模型和平均結合性別二態性的混合模型。

在圖片數量上，符號主義算法的要求較低，少至80張，多至4000張均可。由于符號主義是一種知識驅動的算法，因此較少的圖片數據也能訓練出預測模型，圖片的增加能夠相對提高模型的準確性；在圖片的質量上，則有一定要求。這是由于符號主義是知識驅動的方法，面孔吸引力的量化是基于指定規則，因此研究者需要排除額外因素的干擾。如在研究早期階段，研究者為了排除膚色等因素的干擾，探究幾何因素，會把圖片設置成灰度，如Aarabi等和Gunes、Schmid、Davis、Davis等的數據庫（見表2）。

3.2 聯結主義算法

聯結主義的主要原理為神經網絡及神經網絡間的連接機制與學習算法，其代表方法為深度學習。深度學習的人臉識別或顏值預測從本質上來看也是一種特征學習，適合與特征臉技術、Gabor濾波器等人臉識別方法相結合。聯結主義算法與傳統的機器學習方法相比有兩點優勢。一是傳統的機器學習技術是基于手工設置的屬性特征，這些特征則是由與面孔吸引力有關的形狀和紋理的有限認知規則所構建（Gao et al.， 2018），而采取深度學習等數據驅動的技術提供了一種新的視角（Zeebaree et al.， 2018）。二是深度學習對圖片要求較低，不需要過多的精細圖片預處理，具有較強的泛化能力。然而深度學習相關算法接近于黑箱，雖然研究者已經嘗試努力“理解機器的思想”，但可解釋性仍較低，因此基于此建立的模型，我們很難從中找到面孔吸引力的具體構成要素及其作用的程度。卷積神經網絡是這一階段的主流建模方法（Zhang et al.， 2017），如在SCUT-BP5500數據庫上，Lin等（2022）提出了一種通用的卷積神經網絡架構，提高了面孔吸引力預測的性能；Nguyen等（2013）建立了M2B 數據庫（the Multi-Modality Beauty dataset），并設計了一個DFAT網絡（a tri-layer Dual-supervised Feature-Attribute-Task）預測面孔吸引力。

在數量上看，采用聯結主義算法的數據庫的圖片數量較多，這是由深度學習模型訓練對于數據的需求決定的。如GFB數據庫（Geo-metric Facial Beauty Dataset）的圖片數量達到了9351張（Zhang et al.， 2017）； LSAFBD數據庫（Large-Scale Asian Female Beauty Dataset）的圖片數量達到了2萬張（Zhai et al.， 2020）。從質量上看來，基于聯結主義算法建模的數據庫的圖片質量較低。一方面，建立一個高質量且數量龐大的面孔吸引力數據庫需耗費大量成本；另一方面，深度學習本身對于數據庫圖片質量的要求相對較低，因此需要在質量和數量之間找到一個權衡。SCUT-FBP5500數據庫是一個成功的例子，它包含5500張種族和性別分布均勻的圖片，因此該數據庫也得到了較為廣泛的應用，適合聯結主義算法建模，此外由于其圖片質量相對較高，該數據庫也適用于符號主義算法建模。如Bougourzi等（2022）和Cao等（2020）在該數據庫上進行了深度學習的嘗試；Iyer等（2021）在該數據庫上做了K-近鄰、線性回歸、隨機森林和人工神經網絡的嘗試。

4 面孔吸引力數據庫的發展及推力

根據表2可見，面孔數據庫的基本信息、提取的特征和建模方法三大方面存在時間上的變化。從技術變遷角度看，2000年后的人工智能發展可分為2010年前和2010年后，其劃分依據是主流算法的改變從傳統機器學習方法到深度學習方法，由于大數據和深度學習算法的發展條件成熟，2010年后迎來了第三次以深度學習為主的人工智能爆發。對應到面孔數據庫可以也分為兩個階段（2000年—2010年為第一階段；2010年至今為第二階段），從建模方法上來看，第一階段主要采用符號主義算法，第二階段主要采用聯結主義算法。

從圖片提取的特征上來看，第一階段的數據庫采用的主要是形式美學和進化美學特征；數據驅動的特征臉技術，則在第一階段后期逐漸得到應用。特征的選擇受到面孔識別技術發展和面孔吸引力理論兩個方面的影響。如早期主要是針對幾何特征的量化，一方面是由于量化幾何特征在技術上具有可行性，另一方面形式美學的幾何特征也具有較為豐富的理論基礎；在20世紀末，平均性、對稱性和性別二態性三大進化美學因素被提出后（Thornhill amp; Gangestad， 1999），隨著實證研究的推進，研究者逐漸將這三大因素納入面孔吸引力的量化；而后期出現的特征臉技術，主要受到技術的推動，如特征臉法憑借其計算速度上的優勢，在人臉識別中得到了廣泛的應用，從而被推廣到面孔吸引力的建模中。

從圖片特點與質量上看，可以發現相較于第一階段的面孔吸引力數據庫（如圖2和圖3所示），第二階段人臉數據庫質量的提升主要體現在：（1）圖像的數量大量增加，出現了高達20000張的面孔吸引力數據庫；（2）清晰度提升；（3）部分數據庫開始追求更加多樣的特征，考慮不同的光線和配飾等。如M2B數據庫就包含不同種族的女性的面孔、服裝和聲音。（4）由灰度圖像為主變為彩色圖像為主：近期的人臉數據庫中的人臉圖像多為彩色。從需求上來看，第二階段的主流建模技術深度學習可以簡化分析更多的特征，這就降低了對圖片質量的要求，提出了對多樣化圖片的要求，以此建立更加貼近現實世界的模型。同時深度學習構建神經網絡需要大量的圖片，因此在數量上需求更高。

此外，值得注意的是合成臉數據庫的建立。合成面孔具有可操縱性強、易于獲得的優點。利用Facegen網站、Poser軟件和FantaMorph等面孔合成工具，研究者可以操控面孔的紋理特征、幾何特征、性別化程度等，生成具有不同吸引力的面孔。從合成方式上來看，合成臉可以分成兩類——人臉生成 和人臉屬性合成（費建偉等， 2021）。人臉生成是指完全由電腦生成面孔，如Said 和Todorov等（2011）和Fan等（2012）所用的面孔材料均為完全由電腦合成的面孔。合成面孔的特征可以精確控制，因此也常被用于平均性、二態性等特征相關的面孔吸引力量化中。然而如圖4所示，一些生成面孔，特別是較為早期的面孔，存在生態效度較低的問題。另一種為人臉屬性合成，即合成新屬性（性別化、幾何特征、紋理特征等）的同時，最大化保留原始特征，這就需要對一張原始面孔進行變換生成。隨著技術的進步，深度學習的生成對抗網絡等方法被應用到人臉屬性合成和人臉生成中來（費建偉等， 2021），但目前接近真實人臉的合成臉數據庫相對來說仍然較為缺乏。

5 總結與展望

5.1 建立標準化的多模態面孔吸引力數據庫

高質量的面孔吸引力數據庫對于實證研究、計算建模及現實應用都至關重要，數據庫的建立和發展，可從現實需求、面孔圖片的納入和評估標準、面孔吸引力數據庫的各個特征和面孔社會知覺的其他構成要素、相關動態因素等方面進行考慮。

首先，構建基于不同現實需求的面孔數據庫。21世紀以來，面孔吸引力相關產業包括美容醫療、圖片拍攝和處理的手機軟件、約會網站繁榮發展。投射到研究層面，則例如面孔吸引力的評估和操控。因此，要針對不同的需求，針對研究目的，來建立和應用不同的數據庫。若數據集主要應用于面孔吸引力的操縱，如整形醫療領域，對于探究面部的調整如何影響面孔吸引力評價這類問題而言，面孔圖片需要具有高質量，標準化的特點；若數據集主要應用于面孔吸引力的預測，則需要考慮到內部效度和外部效度兩個方面。在探究影響面孔吸引力的特征時，需要提高其內部效度，即需要高質量的標準化圖片，以控制額外變量；而將面孔吸引力預測模型推廣到現實應用，如顏值偏好預測和匹配時，由于現實中的圖片往往標準化程度較低，因此在建模的過程中，就需要多樣化的圖片，訓練更貼近現實的模型。

其次，統一圖片的納入和吸引力評估標準。目前的面孔吸引力數據庫在圖片質量、評分量級上較為分散且標準不統一。而實驗材料的標準化程度對于實證性研究的結果影響重大，會導致對于面孔吸引力影響因素的結論偏差。如有研究發現二態性對于男性面孔吸引力研究結論的不一致，或與面孔材料和生成技術的差異有關（陳麗君等， 2017）。目前國外建立了如LondonLab（見圖5）這樣高質量且包括不同種族的面孔吸引力數據庫，且該數據庫為開源，能夠供不同領域的研究者采用（DeBruine amp; Benedict， 2017），但針對亞洲面孔的數據庫仍然較為缺乏。雖然面孔審美存在客觀標準，但潛在的種族差異也需要納入考慮。從審美主體上來看，不同種族的個體對于面孔吸引力的感知不同（Gao et al.， 2018）；從審美對象上來看，同一群體對于不同種族的面孔也存在差異，如種族刻板印象（Joel Wade et al.， 2004）。因此，建立一個亞洲面孔吸引力數據庫有利于探究面孔吸引力感知的種族差異，也有利于研究者進一步探究亞洲人面孔吸引力的相關要素。根據對現存面孔吸引力數據庫的總結，歸納出四點問題，在未來建立面孔吸引力數據庫時可納入考慮：（1）在性別分布上，大多數據庫女性圖片偏多，難以研究男性的面孔吸引力；（2）大多數據庫圖片的來源是約會網站，網絡爬蟲爬取，標準拍攝圖片組成的數據庫較為缺乏；（3）沒有一個較為公認適合的計分方式，目前存在2點分類、10點計分、7點計分等。（4）在面孔之外的因素控制比較缺乏，有部分照片存在表情或者微表情、配飾等，影響了面孔吸引力的評分。

再次，考慮面孔吸引力數據庫的各個特征和面孔社會知覺的其他構成要素。在特征上，綜合考慮形式美學和進化美學相關特征；在面孔社會知覺的其他構成要素上，不僅考慮面孔吸引力評價，同時考慮性別化、喚醒度、可信度等與面孔吸引力密切相關的個體主觀評分。在特征上，目前面孔吸引力數據庫的特征維度較為單一，雖然有包含紋理和幾何兩大特征的數據庫，然而性別化、平均性和對稱性較少同時納入考慮。對于面孔美這一問題尚未有一個統一的答案，要進一步探討這一問題，就要綜合考慮各個特征及其交互作用。如Penton-Voak等（2001）發現對稱面孔更具吸引力，相對也更加男性化。因此，研究者們應該開發具備更加全面特征的數據庫，融合不同的特征，進行多維度的研究。探討各個要素之間可能存在的交互作用，提高模型性能，如Zhao等（2020）嘗試建立了基于臉型結構特征、面部結構特征和皮膚紋理特征的全面而新穎的面部吸引力評價系統，從而提高了面部吸引力的評價性能。

最后，構建多模態面孔吸引力數據庫。目前，針對面孔吸引力的研究大多采用的是靜態的面孔材料，而人們在真實場景下，對面孔吸引力的感知，往往是基于動態的立體的面孔。目前已經有學者初步建立了動態的面孔吸引力數據庫，如（Weng et al.， 2021）從抖音截取了1430段人臉短視頻，并根據視頻的點贊量和評論量化出吸引力的評分，并利用一個雙流時間卷積網絡（Two-stream temporal convolutional network，2S-TCN）捕捉到幾何和外形特征，建立了動態面孔吸引力數據庫VFAP。此外，在現實情境中，對于面孔吸引力的感知是一個多模態信息綜合處理的過程，未來可以聯合各種數據構建多模態面孔吸引力數據庫。對于面孔吸引力的評價，存在嗅覺和視覺的跨模態情感整合效應（Feng amp; Lei， 2022），不適的氣味信息會降低個體對于面孔的吸引力評分（Demattè et al.， 2007）；聲音同樣影響著面孔吸引力的感知（Feinberg et al.， 2005）；表情也影響著吸引力的感知，對于同一張面孔，悲傷表情的吸引力評分更低 （Ueda et al.， 2016）。未來應該將聲音、氣味、表情等動態信息納入考慮，建立多模態面孔吸引力數據庫，以便于研究者更好開展相關研究，建立更加貼近現實生活的面孔吸引力預測模型。

5.2 開展學科交叉視角的研究

計算機對于面孔吸引力的建模具有速度快的特點，應用范圍廣泛，這一過程以面孔吸引力數據庫的建立為基礎，而數據庫中面孔特征的選取則需要美學、心理學等相關理論為指導。可見，面孔吸引力的計算建模是一個多學科交叉的領域，是由不同時代對于“顏值”的理解以及人工智能技術的發展水平所決定的。開展面孔吸引力的交叉學科研究可以從理論基礎運用到技術，技術輔助理論研究兩個方面考慮。

第一，從理論到技術這條路徑看，對于理論驅動的模型，將面孔吸引力的美學和心理學知識運用于計算建模，要考慮多個特征的結合作為預測變量。Holzleitner等（2019）的研究表明多變量的建模效果相較于單變量更好。他們收集了594個年輕女性的面孔圖片，對其面孔吸引力進行評分，并量化了對稱性、平均化和性二態性三大特征，將其作為預測因子，建立面孔吸引力預測模型。結果發現相較于單變量模型，結合多種特征進行預測有利于提高模型的性能，然而目前的研究大多采用數據驅動模式，這種方式大多只單獨考慮了幾何/紋理特征，有待進一步優化。具體來看，對于數據驅動的模型，審美認知機理可以輔助人工智能神經網絡的構建，深層模擬人類的審美機制（郭斌等， 2021），以攻克深度學習可解釋性較低的問題。因此未來可以結合面孔吸引力的審美認知神經機理來設計模型；此外，心理學的研究可以進一步探討形式美學和進化美學相關面孔美要素的貢獻程度，通過建立完備的知識圖譜等方式，為模型加入知識引導以增加模型可解釋性，減少模型對數據量的依賴。

第二，從技術輔助理論這條路徑來看，可以借助相關技術，探討各個特征要素的作用。一方面技術的支持有助于理論的發現，如有研究者通過數據驅動的正交化模型來控制二態性，揭示了存在獨立于二態性的因素影響著面孔吸引力（Nakamura amp; Watanabe， 2020）；也有數據驅動的計算證明了形狀是男性和女性面部吸引力的決定因素（Nakamura amp; Watanabe， 2019）。另一方面，人工智能相關技術也能輔助驗證相關理論，如Sano等（2021）建立的模型中，從可視化隱藏層發現男性圖像傾向于顯示眉毛周圍的激活，而女性圖像則傾向于顯示眼睛下方和周圍的激活，這與心理學的研究保持一致。通過數據驅動的模型發現規律，再由實證研究去驗證，這樣循環的過程，也不失為一種研究的有效路徑。

參考文獻

陳麗君， 江潔， 任志洪， 袁宏（2017）. “陽剛”還是“清秀”更具吸引力？——對男性面孔二態性不同偏好的元分析. 心理科學進展， 25（4）， 553-569.

費建偉， 夏志華， 余佩鵬， 戴昀書（2017）. 人臉合成技術綜述. 計算機科學與探索，15（11）， 2025-2027.

郭斌， 張秋韻， 方禹楊， 丁亞三， 張盈， 於志文（2021）. 計算美學： 計算科學驅動的視覺美學度量與生成. 包裝工程， 42（22）， 62-77.

郭玉越（2017）. 進化論美學研究如何可能？——主論研究的內容、方法和意義. 自然辯證法研究， 33（8）， 114-119.

劉麗， 匡綱要（2009）. 圖像紋理特征提取方法綜述. 中國圖象圖形學報， 14（4）， 622-635.

王德勝（2016）. 美學原理. 北京： 高等教育出版社.

魏斌（2022）. 符號主義與聯結主義人工智能的融合路徑分析. 自然辯證法研究， 38（2）， 23-29.

吳巾一， 周德龍（2009）. 人臉識別方法綜述. 計算機應用研究， 26（9）， 3205-3209.

張鈸， 朱軍， 蘇航（2020）. 邁向第三代人工智能. 中國科學： 信息科學， 50（9）， 1281-1302.

Aarabi， P.， Hughes， D.， Mohajer， K.， amp; Emami， M. （2001）. The automatic measurement of facial beauty. 2001 IE-EE International Conference on Systems， Man and Cybernetics， 4， 2644-2647.

Altwaijry， H.， amp; Belongie， S. （2013）. Relative ranking of facial attractiveness. 2013 IEEE Workshop on Appl-ications of Computer Vision， 117-124.

Bougourzi， F.， Dornaika， F.， amp; Taleb-Ahmed， A. （2022）. Deep learning based face beauty prediction via dynamic robust losses and ensemble regression. Knowledge-Based Systems， 242， 108246.

Cao， K.， Choi， K.， Jung， H.， amp; Duan， L. （2020）. Deep learning for facial beauty prediction. Information， 11（8）， 391-403.

Chen， F.， amp; Zhang， D. （2010）. A benchmark for geometric facial beauty study In. David Zhang， amp; Milan Sonka（Eds.） Proceedings of the Second International Conference on Medical Biometrics pp（Verlag： Springer）. 21-32.

Cruz， G.V. （2018）. The impact of face skin tone on perc-eived facial attractiveness： A study realized with an innovative methodology. The Journal of Social Psy-chology， 158（5）， 580-590.

Cunningham， M. R.， Roberts， A. R.， Barbee， A. P.， Druen， P. B.， amp; Wu， C. H. （1995）. \"Their ideas of beauty are， on the whole， the same as ours\"： Consistency and var-iability in the cross-cultural perception of female phy-sical attractiveness. Journal of Personality and Social Psychology， 68（2）， 261-279.

Davis， B. C.， amp; Lazebnik， S. （2008）. Analysis of human attractiveness using manifold kernel regression. 2008 15th IEEE International Conference on Image Processing， 109-112.

DeBruine， L.， amp; Benedict， J. （2017）. Face Research Lab London Set ［Dataset］. Retrieved June 12， 2023， from https：//figshare.com/articles/dataset/Face_Research_Lab_London_Set/5047666

Demattè， M. L.， ?sterbauer， R.， amp; Spence， C. （2007）. Olfactory cues modulate facial attractiveness. Chemical Senses， 32（6）， 603-610.

Eckart， V.， amp; Karl， G. （2003）. Evolutionary aesthetics. Heidelberg： Springer Press.

Eisenthal， Y.， Dror， G.， amp; Ruppin， E. （2006）. Facial attractiveness： Beauty and the machine. Neural Com-putation， 18（1）， 119-142.

Fan， J.， Chau， K. P.， Wan， X.， Zhai， L.， amp; Lau， E. （2012）. Prediction of facial attractiveness from facial proportions. Pattern Recognition， 45（6）， 2326-2334.

Farkas， L. G.， Hreczko， T. A.， Kolar， J. C.， amp; Munro， I. R. （1985）. Vertical and horizontal proportions of the face in young adult North American Caucasians： Revision of neoclassical canons. Plastic and Reconstructive Surgery， 75（3）， 328-338.

Feinberg， D. R.， Jones， B. C.， DeBruine， L. M.， Moore， F. R.， Law， M. J. S.， Cornwell， R. E.， ... Perrett， D. I. （2005）. The voice and face of woman： One ornament that signals quality？ Evolution and Human Behavior， 26（5）， 398-408.

Feng， G.， amp; Lei， J. （2022）. The effect of odor valence on facial attractiveness judgment： A preliminary experiment. Brain Sciences， 12（5）， 665-676.

Ferrandis， B.， Soriano， F. M.， Vega， M. I. R.， Ferrandis， J. J.， amp; José， F. （2018）. Assessment of facial harmony among Caucasian Spaniards 18 to 60 years of age and its relationship with the golden ratio. European Journal of Plastic Surgery， 41（2）， 189-206.

Fink， B.， Grammer， K.， amp; Matts， P. J. （2006）. Visible skin color distribution plays a role in the perception of age， attractiveness， and health in female faces. Evolution and Human Behavior， 27（6）， 433-442.

Fink， B.， Grammer， K.， amp; Thornhill， R. （2001）. Human （Homo sapiens） facial attractiveness in relation to skin texture and color. Journal of Comparative Psychology， 115， 92-99.

Foo， Y. Z.， Simmons， L. W.， Perrett， D. I.， Holt， P. G.， Eastwood， P. R.， amp; Rhodes， G. （2020）. Immune function during early adolescence positively predicts adult facial sexual dimorphism in both men and women. Evolution and Human Behavior， 41（3）， 199-209.

Gao， Y.， Niddam， J.， Noel， W.， Hersant， B.， amp; Meningaud， J. P. （2018）. Comparison of aesthetic facial criteria between Caucasian and East Asian female populations： An est-hetic surgeon’s perspective. Asian Journal of Surgery， 41（1）， 4-11.

Gunes， H.， Piccardi， M.， amp; Jan， T. （2004）. Automated classification of female facial beauty by image analysis and supervised learning. Visual Communications and Image Processing 2004， 5308， 968-978.

Hefner， J.， amp; Lindsay， R. （2009）. Are you hot or not？ CS229 Final Project. Retrieved June 12， 2023， from https：//cs229.stanford.edu/proj2006

Holzleitner， I. J.， Lee， A. J.， Hahn， A. C.， Kandrik， M.， Bovet， J.， Renoult， J. P.， ... Jones， B. C. （2019）. Comparing theory-driven and data-driven attractiveness models using images of real women’s faces. Journal of Experimental Psychology： Human Perception and Performance， 45， 1589-1595.

Ikeda， H.， Saheki， Y.， Sakano， Y.， Wada， A.， Ando， H.， amp; Tagai， K. （2021）. Facial radiance influences facial attractiveness and affective impressions of faces. Int-ernational Journal of Cosmetic Science， 43（2）， 144-157.

Iyer， T. J.， K， R.， Nersisson， R.， Zhuang， Z.， Raj， A. N. J.， amp; Refayee， I.（2021）. Machine learning-based facial beauty prediction and analysis of frontal facial images using facial landmarks and traditional image descriptors. Computational Intelligence and Neuroscience， 2021， 4423407.

Jaeger， B.， Wagemans， F. M. A.， Evans， A. M.， amp; Beest， I.V. （2018）. Effects of facial skin smoothness and blemishes on trait impressions. Perception， 47（6）， 608-625.

Jones， A. L.， amp; Jaeger， B. （2019）. Biological bases of be-auty revisited： The effect of symmetry， averageness， and sexual dimorphism on female facial attractiveness. Symmetry， 11（2）， 279.

Kagian， A.， Dror， G.， Leyvand， T.， Meilijson， I.， Cohen， D.， amp; Ruppin， E. （2008）. A machine learning predictor of facial attractiveness revealing human-like psychophysical biases. Vision Research， 48（2）， 235-243.

Khoshab， N.， Donnelly， M. R.， Sayadi， L. R.， Vyas， R. M.， amp; Banyard， D. A. （2022）. Historical tools of anthropometric facial assessment： A systematic raw data analysis on the applicability of the neoclassical canons and golden ratio. Aesthetic Surgery Journal， 42（1）， 1-10.

Lai， J.， Ding， D.， Chen， X.， amp; Li， S. （2021）. Can sexual ap-peal， beauty， or virtue increase the opportunity for a woman to be selected as a spouse？ The mediating role of human uniqueness. Frontiers in Psychology， 12， 698-712.

Lebedeva， I.， Guo， Y.， amp; Ying， F. （2021）. Deep facial features for personalized attractiveness prediction. Thirteenth International Conference on Digital Image Processing， 11878， 72-80.

Lin， L.， Liang， L.， amp; Jin， L. （2022）. Regression guided by relative ranking using convolutional neural network （R3CNN） for facial beauty prediction. IEEE Transactions on Affective Computing， 13（1）， 122-134.

Lin， M. （2015）. The myth of formalistic aesthetics-Shos-takovich’s early vocal cycle and principles of formal beauty. Asian Social Science， 11（27）， 208-219.

Little， A. C.， amp; Hancock， P. J. B. （2002）. The role of masculinity and distinctiveness in judgments of human male facial attractiveness. British Journal of Psychology， 93（4）， 451-464.

Mao， H.， Jin， L.， amp; Du， M. （2009）. Automatic classification of Chinese female facial beauty using Support Vector Machine. 2009 IEEE International Conference on Sys-tems， Man and Cybernetics， 4842-4846.

Masch， L.， Gassner， A.， amp; Rosar， U. （2021）. Can a beautiful smile win the vote？ The role of candidates’ physical attractiveness and facial expressions in elections. Politics and the Life Sciences， 40（2）， 213-223.

M?ller， A. P.， amp; Swaddle， J. P. （1997）. Asymmetry， deve-lopmental stability， and evolution. Oxford： Oxford Univ-ersity Press.

Nakamura， K.， amp; Watanabe， K. （2019）. Data-driven mathematical model of East-Asian facial attractiveness： The relative contributions of shape and reflectance to attractiveness judgements. Royal Society Open Science， 6（5）， 182-189.

Nakamura， K.， amp; Watanabe， K. （2020）. A new data-driven mathematical model dissociates attractiveness from sexual dimorphism of human faces. Scientific Reports， 10（1） ，16588.

Nguyen， T.， Liu， S.， ni， B.， Tan， J.， Rui， Y.， amp; Yan， S. （2013）. Towards decrypting attractiveness via multi-modality cues. ACM Transactions on Multimedia Computing， Communications， and Applications， 9（4）， 1-20.

Penton-Voak， I. S.， Jones， B. C.， Little， A. C.， Baker， S.， Tiddeman， B.， Burt， D. M.， amp; Perrett， D. I. （2001）. Symmetry， sexual dimorphism in facial proportions and male facial attractiveness. Proceedings of the Royal Soc-iety of London. Series B： Biological Sciences， 268（1476）， 1617-1623.

Penton-Voak， I. S.， Perrett， D. I.， Castles， D. L.， Kobayashi， T.， Burt， D. M.， Murray， L. K.， amp; Minamisawa， R. （1999）. Menstrual cycle alters face preference. Nature， 399（6738）， 741-742.

Perrett， D. I.， Talamas， S. N.， Cairns， P.， amp; Henderson， A. J. （2020）. Skin color cues to human health： Carotenoids， aerobic fitness， and body fat. Frontiers in Psychology， 11， 392.

Raji， I. D.， amp; Fried， G. （2021）. About Face： A Survey of Facial Recognition Evaluation. Retrieved June 13， 2023， from https：//doi.org/10.48550/arXiv.2102.00813

Rhodes， G. （2006）. The evolutionary psychology of facial beauty. Annual Review of Psychology， 57， 199-226.

Rhodes， G.， Harwood， K.， Yoshikawa， S.， Nishitani， M.， amp; McLean， I. （2002）. The attractiveness of average fa-ces： Cross-cultural evidence and possible biological basis. In Rhodes， G.， amp; Zebrowitz， L. A. （Eds.）， Facial attractiveness： Evolutionary， cognitive， and social perspectives （pp. 35-58）. New York ：Ablex Publishing.

Saeed， J.， amp; Abdulazeez， A. M. （2021）. Facial beauty pred-iction and analysis based on deep convolutional neural network： A Review. Journal of Soft Computing and Data Mining， 2（1）， 1-12.

Said， C. P.， amp; Todorov， A. （2011）. A statistical model of facial attractiveness. Psychological Science， 22（9）， 1183-1190.

Sakano， Y.， Wada， A.， Ikeda， H.， Saheki， Y.， Tagai， K.， amp; Ando， H. （2021）. Human brain activity reflecting facial attractiveness from skin reflection. Scientific Reports， 11（1）， 3412-3425.

Sano， T. （2021）. Visualization of facial attractiveness factors in male and female images using convolutional neural network. International Symposium on Affective Science and Engineering， 21（2）， 1-4.

Schmid， K.， Marx， D.， amp; Samal， A. （2008）. Computation of a face attractiveness index based on neoclassical canons， symmetry， and golden ratios. Pattern Recognition， 41（8）， 2710-2717.

Shen， X.， Mann， T. C.， amp; Ferguson， M. J. （2020）. Beware a dishonest face？ Updating face-based implicit impressions using diagnostic behavioral information. Journal of Ex-perimental Social Psychology， 86， 103888.

Slater， A.， Schulenburg， C.， Brown， E.， Badenoch， M.， Butterworth， G.， Parsons， S.， amp; Samuels， C. （1998）. Newborn infants prefer attractive faces. Infant Behavior and Development， 21（2）， 345-354.

Sutic， D.， Breskovic， I.， Huic， R.， amp; Jukic， I. （2010）. Automatic evaluation of facial attractiveness. The 33rd International Convention MIPRO， 1339-1342.

Tan， K. W.， Tiddeman， B.， amp; Stephen， I. D. （2018）. Skin texture and colour predict perceived health in Asian faces. Evolution and Human Behavior， 39（3）， 320-335.

Thornhill， R.， amp; Gangestad， S. W. （1999）. Facial attra-ctiveness. Trends in Cognitive Sciences， 3（12）， 452-460.

Tooby， J.， amp; Cosmides， L. （2001）. Does Beauty Build Adapted Minds？ Toward an Evolutionary Theory of Aesthetics， Fiction， and the Arts. Substance， 30（1）， 6-27.

Trujillo， L. T.， Jankowitsch， J. M.， amp; Langlois， J. H. （2014）. Beauty is in the ease of the beholding： A neu-rophysiological test of the averageness theory of facial attractiveness. Cognitive， Affective， amp; Behavioral Neuroscience， 14（3）， 1061-1076.

Türkmen， H. ?.， Kurt， Z.， amp; Karsligil， M. E. （2007）. Global feature based female facial beauty decision system. 2007 15th European Signal Processing Conference， 1945-1949.

Ueda， R.， Kuraguchi， K.， amp; Ashida， H. （2016）. Asymmetric effect of expression intensity on evaluations of facial attractiveness. SAGE Open， 6（4）， 1-6.

Wade， T. J.， Irvine， K.， amp; Cooper， M. （2004）. Racial cha-racteristics and individual differences in women’s eval-uations of men’s facial attractiveness and personality. Personality and Individual Differences， 36（5）， 1083-1092.

Weng， N.， Wang， J.， Li， A.， amp; Wang， Y. （2021）. Two-stream temporal convolutional network for dynamic facial attractiveness prediction. 2020 25th International Conference on Pattern Recognition， 10026.

White， R.， Eden， A.， amp; Maire， M. （2004）. Automatic prediction of human attractiveness. UC Berkeley CS280A Project， 1（2）， 1-13.

Whitehill， J.， amp; Movellan， J. R. （2008）. Personalized facial attractiveness prediction. 2008 8th IEEE International Conference on Automatic Face amp; Gesture Recognition， 1-7.

Xiao， Q.， Wu， Y.， Wang， D.， Yang， Y.-L.， amp; Jin， X. （2021）. Beauty3DFaceNet： Deep geometry and texture fusion for 3D facial attractiveness prediction. Computers amp; Graphics， 98， 11-18.

Zeebaree， D. Q.， Haron， H.， amp; Abdulazeez， A. M. （2018）. Gene selection and classification of microarray data using convolutional neural network. 2018 International Conference on Advanced Science and Engineering， 145-150.

Zhai， Y.， Huang， Y.， Xu， Y.， Gan， J.， Cao， H.， Deng， W.， ... Scotti， F. （2020）. Asian female facial beauty prediction using deep neural networks via transfer learning and multi-channel feature fusion. IEEE Access， 8， 56892-56907.

Zhang， D.， Chen， F.， amp; Xu， Y. （2016）. Computer models for facial beauty analysis. Heidelberg： Springer Press.

Zhang， L.， Zhang， D.， Sun， M.-M.， amp; Chen， F.-M. （2017）. Facial beauty analysis based on geometric feature： Tow-ard attractiveness assessment application. Expert Systems with Applications， 82， 252-265.

Zhao， J.， Cao， M.， Xie， X.， Zhang， M.， amp; Wang， L. （2019）. Data-driven facial attractiveness of chinese male with epoch characteristics. IEEE Access， 7， 10956-10966.

Zhao， J.， Zhang， M.， He， C.， Xie， X.， amp; Li， J. （2020）. A novel facial attractiveness evaluation system based on face shape， facial structure features and skin. Cognitive Neurodynamics， 14（5）， 643-656.