“颜值”的量化和操控：面孔吸引力数据库的美学思想及算法逻辑

摘 要 面孔吸引力影响着人们生活的方方面面，是当下的研究热点之一。随着计算机科学的发展，通过计算机模型预测面孔吸引力成为可能，许多面孔吸引力数据库也应运而生。面孔吸引力数据库所提取的特征可归纳为形式美学、进化美学和数据驱动三大类，预测建模方法则可分为符号主义和联结主义。通过面孔特征和建模方法两个角度总结面孔吸引力数据库，根据数据库的发展特点和现状，从时间角度分析数据库的变化及其原因。未来应致力于建立特征全面、标准化的多模态数据库；从学科交叉的视角，探索面孔美的本质。

关键词 面孔吸引力；数据库；人工智能；美学

分类号 B842

DOI：10.16842/j.cnki.issn2095-5588.2024.09.005

1 引言

“爱美之心，人皆有之；古今中外，概莫如是”，追求美是人的本性。“颜值”即面孔吸引力，是“目标面孔所诱发的一种积极愉悦的情绪体验以及驱使个体产生接近意愿的程度（Rhodes， 2006）”，影响着择偶、选举、求职、合作与信任等方面（Lai et al.， 2021; Masch et al.， 2021; Shen et al.， 2020）。面孔数据库的建立作为面孔吸引力研究的开端和基础，是推动这一领域发展的燃料 （Raji amp; Fried， 2021）。二十多年来，已有不少研究者开发了诸多类型和适用性不同的数据库，这些数据库不单取决于计算机技术的水平，更是反映了人们对面孔美的理解，因此，对此进行回溯和剖析有助于我们审视“何为美”这一争论千年的话题。

康德在《判断力批判》中提出，美的鉴赏判断建立在共同经验基础之上。基于“审美共识”，计算机就能结合相关理论，实现“颜值的量化”，即根据不同面孔特征，对于面孔吸引力进行心理建模。建立的模型能够实现对面孔吸引力的自动评估，在整形医疗、社交网站服务等方面都得到了广泛的应用，是将面孔吸引力相关理论研究运用于现实的重要途径。面孔吸引力的量化主要包含六个步骤（Saeed amp; Abdulazeez， 2021）（见图1）：收集人脸图片数据、人脸图片预处理、人脸图片评分、特征提取和选择、预测模型的开发和模型验证。若要通过机器学习建立预测模型，则需要选择数据库中面孔特征作为预测参数。面孔特征的选择是面孔吸引力评定的关键步骤，其背后隐含着美学理论基础，并存在适配的算法。从美的角度来看，选取的面孔特征体现了研究者对面孔美本质的理解。如平均性、性别二态性和对称性体现的是进化美学的思想（Thornhill amp; Gangestad， 1999），几何比例、纹理特征体现的是形式美学的思想（ Lin， 2015），这两种体现的是“美在特征”的思想。随着生物特征识别技术的发展，基于特征脸、Gabor滤波器等整体面孔信息进行建模，可视为一种“美在整体”的“数据驱动的方法”（Cao et al.， 2020）。从算法角度来看，提取不同面孔特征需适配不同算法（Lebedeva et al.， 2021）。本文将首先对数据库建立所提取的特征进行归类，深挖这些特征对应的不同美学思想，且根据颜值量化过程中所采取的算法，分析不同算法所对应的人工智能流派，最后对数据库的特征和算法之间的适配性进行总结。

2 数据库建立的美学思想——基于所提取面孔特征的分类

2.1 基于形式美学的面孔吸引力数据库

形式美的构成要素包括：色、形、声、质、味（王德胜， 2016）。其中色体现在面孔的肤色，形体现在面孔的几何特征，而质体现在面孔的纹理特征；声、味则可以作为面孔吸引力的附加因素进行研究。几何形式强调比例的和谐，如一张有吸引力的面孔的各个部分会遵循一定的比例和规律（Farkas et al.， 1985）；纹理形式强调面部纹理的均衡与统一，如更加均匀的皮肤纹理能够正向预测对健康和吸引力程度的感知评分（Tan et al.， 2018），皮肤的质地，如油性/干性皮肤也影响着面孔吸引力（Sakano et al.， 2021）；此外，肤色也是影响面孔吸引力的重要因素之一（Perrett et al.， 2020）。

2.1.1 几何特征

面孔的几何特征，如五官之间的比率特征以及面部宽度高度等，与个体美感感知高度相关（Cunningham et al.， 1995）。几何特征的选择可从两个方面考虑，一是形式美的传统特征，如黄金比例、垂直三分法和水平五分法等（Zhang et al.， 2016）；二则为特征脸技术表征的整体面孔特征（详细介绍于2.3）。黄金比例作为一个经典的形式美标准，在面孔吸引力领域得到了广泛的理论研究。有研究表明黄金比例特征与美丽感知有关（Ferrandis et al.， 2018），然而也有研究认为黄金比例无法作为面孔吸引力的普遍评价标准，如可能存在着种族差异（Khoshab et al.， 2022）。尽管对于“符合黄金比例的面孔是否更加美丽”这一问题仍然存在争议，但其作为一个重要的形式美学指标，对于面孔吸引力几何特征的选取具有一定参考价值。与黄金比例相关的特征向量常被作为预测指标。特征向量的确定方式是先测量面部的宽和高，定位嘴巴、眼睛、眉毛等位置的关键点，再根据关键点确定特征向量，这一过程往往需要结合面孔吸引力的相关研究和美学的相关理论（如黄金比例、三庭五眼等面孔形式美规则）确定。具体而言，如Aarabi等（2001） 在获得面部的半径、眼睛的位置和嘴的关键点的基础上，确定了与面孔美相关联的八个比率特征（其中包含与黄金比例有关的特征）作为面孔吸引力模型的预测参数；Gunes等（2004）根据黄金比例和面部三分法确定了15个特征向量；Schmid等（2008）根据人体测量学的研究结果确定了29个面部特征点，再基于新古典主义提出的比例特征和对称性确定了16个几何特征向量；White等（2004）则提取了脸部宽度、眉毛高度和脸型等作为预测参数。

2.1.2 色彩特征

色彩是由视觉器官接受的形式因素，包括色相、明度和纯度三个方面。从明度上来看，有研究提出浅肤色的面孔更受欢迎（Cruz， 2018），也有研究提出深色面孔更具有吸引力（Fink et al.， 2001）。此外，一张面孔色彩的均匀分布也影响了吸引力的感知（Fink et al.， 2006）。颜色特征的提取可以采用HSV中心距法，该方法可根据颜色的色调（H）、饱和度（S）、明度（V）的两端值设定颜色的参数，表征面孔肤色。Eisenthal等（2006）通过HSV方法提取了发色、肤色的色调和饱和度的测量值，作为面孔吸引力的预测参数；White等（2004）提取了瞳孔颜色作为预测变量之一。

2.1.3 纹理特征

形式美的“质”，是由触觉器官所接受的形式因素，指材料表面的组织形态特征，包括粗糙、细腻、柔软、剪影、凹凸、起伏、纹理等（王德胜， 2016）。面孔的“质”体现在皮肤的纹理特征，如皮肤光滑度。更具光泽的面孔，其吸引力和所带来的面孔情感印象更好（Ikeda et al.， 2021），而瑕疵皮肤对于面孔吸引力则存在负面影响（Jaeger et al.， 2018）。从特征的提取上看，皮肤的纹理特征是一种全局特征，往往采用Gabor 特征进行描述。Gabor滤波器是提取图像全局纹理特征的一种方法，它模拟了人类视觉系统的视觉感受特性，具有时域和频域的联合最佳分辨率（刘丽， 匡纲要， 2009）。在人脸识别技术中得到广泛应用后，也被推广到面孔吸引力的预测中，许多研究采用了Gabor滤波器表征面孔的纹理信息（见表2），用于特征提取。

2.2 基于进化美学的面孔吸引力数据库

进化美学，最早由Eckart Voland和Karl Gra-mmer （2003） 在Evolutionary Aesthetics一书中正式提出，即利用自然选择理论和性选择理论等进化适应性原理来解释美和艺术的发生、发展和影响（郭玉越， 2017）。从这一角度来看，美来源于本能，最初是一种本能的感觉；美发展于人类与其所处的自然环境，由人与环境之间长期、相互的张力作用而推动；对美的偏好影响着人类的生存与发展，对于人类来说具有适应性的作用（Tooby amp; Cosmides， 2001）。以人体美为例，个体对于高吸引力的面孔存在本能的偏好，如婴儿对于高吸引力的面孔注视时间更长（Slater et al.， 1998）；进一步的研究发现平均性、对称性和性别二态性是影响面孔美的三大进化美学因素（Jones amp; Jaeger， 2019; Thornhill amp; Gangestad， 1999），平均、对称、性别化特征强的面孔之所以被感知为更美，并非是由人为规定，而是因为其象征着更好的基因和更强的繁殖能力；因此对于这些特征的偏好，是自然选择和性选择的结果。

2.2.1 平均性

平均脸假说，即合成的平均面孔，相较于原始面孔具有更高的吸引力（Rhodes et al.， 2002）。其原理为“美在于看得轻松”，即平均的面孔能够减轻个体的处理负担，增加流畅性，因此具备更高的吸引力（Trujillo et al.， 2014）。平均性可细化到形状和纹理的平均，二者对面孔吸引力共同起作用（Little amp; Hancock， 2002）。因此，在平均脸的量化上，可以分为纹理和几何形状两个维度进行量化或操作，如Said和Todorov （2011） 曾通过FaceGen软件，根据25个形状维度和25个纹理维度的信息合成的面孔，建立脸部平均性的预测模型。

2.2.2 性别二态性

成熟男性和女性经过青春期第二性征的发展后逐步形成了体态上的性别二态性， 即男性化和女性化（陈丽君等， 2017）。性别二态性可以作为发育过程中健康、免疫能力、繁衍能力的指标（Foo et al.， 2020）。面孔的性别二态性主要与眉骨高度、颧骨明显程度、下巴宽窄、鼻梁长短等几何特征以及皮肤的纹理特征有关（Penton-Voak et al.， 1999），对于二态性程度的量化，是基于纹理、几何等形式特征的组合。如Said和Todorov （2011）通过25个形状维度和25个纹理维度表征合成面孔的性别化程度，建立了一个二态性模型。此外，也有研究者探究二态性和吸引力评分之间的关系，如White等（2004）为了研究男性化和女性化程度是否与面孔吸引力存在关系，探究性别化分数能否作为模型的预测特征，利用机器学习技术对面孔性别进行了分类，并将与性别边界的距离作为性别化的分数，进行了线性回归，结果发现这一特征并未成为面孔吸引力模型的有效预测参数。此研究中，面孔性别化未成为有效的预测参数可能存在以下原因：一是面孔来源为线上约会网站，存在着面孔材料标准化程度较低的问题；二是性别化的评分方式为通过算法计算的与性别边界的距离，并未报告不同性别化分数的分布，相较于心理学实验中采用的合成性性别化面孔，可能存在面孔图片性别化程度差异模糊的问题。

2.2.3 对称性

面部对称性是指一张脸的一半与另一半的相似程度。从进化的角度来看，面部对称性反映了发育的不稳定性，能够表征个体的健康水平（Møller amp; Swaddle， 1997）。因此，从进化美学的角度来看，对称的面孔相对来说具有更高的吸引力（Jones amp; Jaeger， 2019）。作为面孔的一个局部特征，对称性往往作为一个因素，而非面孔吸引力评价的唯一指标。如White等（2004）将对称性纳入考量，但主要基于几何向量设计了评估面孔吸引力的分类模型；Schmid等（2008）在选取几何向量时，考虑了能够代表面部对称性的向量；Eisenthal等（2006）则验证了对称的面孔是否更具吸引力。

2.3 数据驱动的面孔吸引力数据库

随着人脸识别技术的发展，特征脸方法被提出。特征脸法是一种基于主成分分析的人脸识别方法，能够对复杂的人脸空间进行降维，并最大限度地保留有效信息，是表征人脸几何信息的有效方式（吴巾一， 周德龙， 2009）。特征脸法可用于表征整体面孔信息，最初用于人脸识别技术。随着技术的发展，特别是深度学习的发展，也被用于面孔吸引力的预测。而相较于形式美的传统特征，特征脸技术所表征的面部特征能够更全面地表征整个面孔的信息，但同时由于缺乏相关的心理理论基础，因此往往是一种数据驱动的方式。特征脸方法应用于面孔吸引力的预测上，克服了上文提到的传统特征的局限性，如容易丢失信息、特征工程繁复等。依赖于其强大的表征能力，特征脸技术也是应用最为广泛的面孔吸引力预测建模表征方法（见表2）。

3 数据库建立的算法逻辑——基于建模的方法

在建模阶段（参考图1），将所提取的面孔特征输入计算机，选择相应的算法建模。而在实际建模的过程中，往往不会只采用一种方法，而是尝试在同一个数据库上使用多种方法，最终得到最优模型。然而根据特征参数的特性，如数量、图片色彩、面孔特征类型等，数据库与不同算法存在一定适配性（见表1），这需依赖于当时算法的开发和发展。这一部分将从符号主义、联结主义两大人工智能原理归纳各个数据库建模的算法，以此展望未来算法推动下数据库的可能发展。

3.1 符号主义算法

符号主义人工智能以认知心理学相关原理作为基础，认为人类认知的过程是符号运算，即知识表示和推理的过程，是一种知识驱动的方法 （张钹等， 2020; 魏斌， 2022）。符号主义主要算法包括K最近邻（K-Nearest Neighbours， KNN）、支持向量机 （support vector machines， SVM）、决策树（Decision Tree）、回归算法和随机森林（Random forest， RF）等。其输入特征一般为几何、纹理、色彩等形式美学特征，或是由各个形式特征组合而成的平均性、性别二态性和对称性等进化美学特征。如Aarabi等（2001）以八个几何比率向量为特征，利用KNN算法在创建的80张灰度面孔的自建数据库上建模；White等（2004）则在自建数据库上，验证平均化的面孔是否更具吸引力；Zhao等（2019）基于自建人脸数据库，提出了一种平均脸合成算法；Said 和Todorov（2011）在合成面孔数据库上，建立了平均脸模型和平均结合性别二态性的混合模型。

在图片数量上，符号主义算法的要求较低，少至80张，多至4000张均可。由于符号主义是一种知识驱动的算法，因此较少的图片数据也能训练出预测模型，图片的增加能够相对提高模型的准确性；在图片的质量上，则有一定要求。这是由于符号主义是知识驱动的方法，面孔吸引力的量化是基于指定规则，因此研究者需要排除额外因素的干扰。如在研究早期阶段，研究者为了排除肤色等因素的干扰，探究几何因素，会把图片设置成灰度，如Aarabi等和Gunes、Schmid、Davis、Davis等的数据库（见表2）。

3.2 联结主义算法

联结主义的主要原理为神经网络及神经网络间的连接机制与学习算法，其代表方法为深度学习。深度学习的人脸识别或颜值预测从本质上来看也是一种特征学习，适合与特征脸技术、Gabor滤波器等人脸识别方法相结合。联结主义算法与传统的机器学习方法相比有两点优势。一是传统的机器学习技术是基于手工设置的属性特征，这些特征则是由与面孔吸引力有关的形状和纹理的有限认知规则所构建（Gao et al.， 2018），而采取深度学习等数据驱动的技术提供了一种新的视角（Zeebaree et al.， 2018）。二是深度学习对图片要求较低，不需要过多的精细图片预处理，具有较强的泛化能力。然而深度学习相关算法接近于黑箱，虽然研究者已经尝试努力“理解机器的思想”，但可解释性仍较低，因此基于此建立的模型，我们很难从中找到面孔吸引力的具体构成要素及其作用的程度。卷积神经网络是这一阶段的主流建模方法（Zhang et al.， 2017），如在SCUT-BP5500数据库上，Lin等（2022）提出了一种通用的卷积神经网络架构，提高了面孔吸引力预测的性能；Nguyen等（2013）建立了M2B 数据库（the Multi-Modality Beauty dataset），并设计了一个DFAT网络（a tri-layer Dual-supervised Feature-Attribute-Task）预测面孔吸引力。

在数量上看，采用联结主义算法的数据库的图片数量较多，这是由深度学习模型训练对于数据的需求决定的。如GFB数据库（Geo-metric Facial Beauty Dataset）的图片数量达到了9351张（Zhang et al.， 2017）； LSAFBD数据库（Large-Scale Asian Female Beauty Dataset）的图片数量达到了2万张（Zhai et al.， 2020）。从质量上看来，基于联结主义算法建模的数据库的图片质量较低。一方面，建立一个高质量且数量庞大的面孔吸引力数据库需耗费大量成本；另一方面，深度学习本身对于数据库图片质量的要求相对较低，因此需要在质量和数量之间找到一个权衡。SCUT-FBP5500数据库是一个成功的例子，它包含5500张种族和性别分布均匀的图片，因此该数据库也得到了较为广泛的应用，适合联结主义算法建模，此外由于其图片质量相对较高，该数据库也适用于符号主义算法建模。如Bougourzi等（2022）和Cao等（2020）在该数据库上进行了深度学习的尝试；Iyer等（2021）在该数据库上做了K-近邻、线性回归、随机森林和人工神经网络的尝试。

4 面孔吸引力数据库的发展及推力

根据表2可见，面孔数据库的基本信息、提取的特征和建模方法三大方面存在时间上的变化。从技术变迁角度看，2000年后的人工智能发展可分为2010年前和2010年后，其划分依据是主流算法的改变从传统机器学习方法到深度学习方法，由于大数据和深度学习算法的发展条件成熟，2010年后迎来了第三次以深度学习为主的人工智能爆发。对应到面孔数据库可以也分为两个阶段（2000年—2010年为第一阶段；2010年至今为第二阶段），从建模方法上来看，第一阶段主要采用符号主义算法，第二阶段主要采用联结主义算法。

从图片提取的特征上来看，第一阶段的数据库采用的主要是形式美学和进化美学特征；数据驱动的特征脸技术，则在第一阶段后期逐渐得到应用。特征的选择受到面孔识别技术发展和面孔吸引力理论两个方面的影响。如早期主要是针对几何特征的量化，一方面是由于量化几何特征在技术上具有可行性，另一方面形式美学的几何特征也具有较为丰富的理论基础；在20世纪末，平均性、对称性和性别二态性三大进化美学因素被提出后（Thornhill amp; Gangestad， 1999），随着实证研究的推进，研究者逐渐将这三大因素纳入面孔吸引力的量化；而后期出现的特征脸技术，主要受到技术的推动，如特征脸法凭借其计算速度上的优势，在人脸识别中得到了广泛的应用，从而被推广到面孔吸引力的建模中。

从图片特点与质量上看，可以发现相较于第一阶段的面孔吸引力数据库（如图2和图3所示），第二阶段人脸数据库质量的提升主要体现在：（1）图像的数量大量增加，出现了高达20000张的面孔吸引力数据库；（2）清晰度提升；（3）部分数据库开始追求更加多样的特征，考虑不同的光线和配饰等。如M2B数据库就包含不同种族的女性的面孔、服装和声音。（4）由灰度图像为主变为彩色图像为主：近期的人脸数据库中的人脸图像多为彩色。从需求上来看，第二阶段的主流建模技术深度学习可以简化分析更多的特征，这就降低了对图片质量的要求，提出了对多样化图片的要求，以此建立更加贴近现实世界的模型。同时深度学习构建神经网络需要大量的图片，因此在数量上需求更高。

此外，值得注意的是合成脸数据库的建立。合成面孔具有可操纵性强、易于获得的优点。利用Facegen网站、Poser软件和FantaMorph等面孔合成工具，研究者可以操控面孔的纹理特征、几何特征、性别化程度等，生成具有不同吸引力的面孔。从合成方式上来看，合成脸可以分成两类——人脸生成 和人脸属性合成（费建伟等， 2021）。人脸生成是指完全由电脑生成面孔，如Said 和Todorov等（2011）和Fan等（2012）所用的面孔材料均为完全由电脑合成的面孔。合成面孔的特征可以精确控制，因此也常被用于平均性、二态性等特征相关的面孔吸引力量化中。然而如图4所示，一些生成面孔，特别是较为早期的面孔，存在生态效度较低的问题。另一种为人脸属性合成，即合成新属性（性别化、几何特征、纹理特征等）的同时，最大化保留原始特征，这就需要对一张原始面孔进行变换生成。随着技术的进步，深度学习的生成对抗网络等方法被应用到人脸属性合成和人脸生成中来（费建伟等， 2021），但目前接近真实人脸的合成脸数据库相对来说仍然较为缺乏。

5 总结与展望

5.1 建立标准化的多模态面孔吸引力数据库

高质量的面孔吸引力数据库对于实证研究、计算建模及现实应用都至关重要，数据库的建立和发展，可从现实需求、面孔图片的纳入和评估标准、面孔吸引力数据库的各个特征和面孔社会知觉的其他构成要素、相关动态因素等方面进行考虑。

首先，构建基于不同现实需求的面孔数据库。21世纪以来，面孔吸引力相关产业包括美容医疗、图片拍摄和处理的手机软件、约会网站繁荣发展。投射到研究层面，则例如面孔吸引力的评估和操控。因此，要针对不同的需求，针对研究目的，来建立和应用不同的数据库。若数据集主要应用于面孔吸引力的操纵，如整形医疗领域，对于探究面部的调整如何影响面孔吸引力评价这类问题而言，面孔图片需要具有高质量，标准化的特点；若数据集主要应用于面孔吸引力的预测，则需要考虑到内部效度和外部效度两个方面。在探究影响面孔吸引力的特征时，需要提高其内部效度，即需要高质量的标准化图片，以控制额外变量；而将面孔吸引力预测模型推广到现实应用，如颜值偏好预测和匹配时，由于现实中的图片往往标准化程度较低，因此在建模的过程中，就需要多样化的图片，训练更贴近现实的模型。

其次，统一图片的纳入和吸引力评估标准。目前的面孔吸引力数据库在图片质量、评分量级上较为分散且标准不统一。而实验材料的标准化程度对于实证性研究的结果影响重大，会导致对于面孔吸引力影响因素的结论偏差。如有研究发现二态性对于男性面孔吸引力研究结论的不一致，或与面孔材料和生成技术的差异有关（陈丽君等， 2017）。目前国外建立了如LondonLab（见图5）这样高质量且包括不同种族的面孔吸引力数据库，且该数据库为开源，能够供不同领域的研究者采用（DeBruine amp; Benedict， 2017），但针对亚洲面孔的数据库仍然较为缺乏。虽然面孔审美存在客观标准，但潜在的种族差异也需要纳入考虑。从审美主体上来看，不同种族的个体对于面孔吸引力的感知不同（Gao et al.， 2018）；从审美对象上来看，同一群体对于不同种族的面孔也存在差异，如种族刻板印象（Joel Wade et al.， 2004）。因此，建立一个亚洲面孔吸引力数据库有利于探究面孔吸引力感知的种族差异，也有利于研究者进一步探究亚洲人面孔吸引力的相关要素。根据对现存面孔吸引力数据库的总结，归纳出四点问题，在未来建立面孔吸引力数据库时可纳入考虑：（1）在性别分布上，大多数据库女性图片偏多，难以研究男性的面孔吸引力；（2）大多数据库图片的来源是约会网站，网络爬虫爬取，标准拍摄图片组成的数据库较为缺乏；（3）没有一个较为公认适合的计分方式，目前存在2点分类、10点计分、7点计分等。（4）在面孔之外的因素控制比较缺乏，有部分照片存在表情或者微表情、配饰等，影响了面孔吸引力的评分。

再次，考虑面孔吸引力数据库的各个特征和面孔社会知觉的其他构成要素。在特征上，综合考虑形式美学和进化美学相关特征；在面孔社会知觉的其他构成要素上，不仅考虑面孔吸引力评价，同时考虑性别化、唤醒度、可信度等与面孔吸引力密切相关的个体主观评分。在特征上，目前面孔吸引力数据库的特征维度较为单一，虽然有包含纹理和几何两大特征的数据库，然而性别化、平均性和对称性较少同时纳入考虑。对于面孔美这一问题尚未有一个统一的答案，要进一步探讨这一问题，就要综合考虑各个特征及其交互作用。如Penton-Voak等（2001）发现对称面孔更具吸引力，相对也更加男性化。因此，研究者们应该开发具备更加全面特征的数据库，融合不同的特征，进行多维度的研究。探讨各个要素之间可能存在的交互作用，提高模型性能，如Zhao等（2020）尝试建立了基于脸型结构特征、面部结构特征和皮肤纹理特征的全面而新颖的面部吸引力评价系统，从而提高了面部吸引力的评价性能。

最后，构建多模态面孔吸引力数据库。目前，针对面孔吸引力的研究大多采用的是静态的面孔材料，而人们在真实场景下，对面孔吸引力的感知，往往是基于动态的立体的面孔。目前已经有学者初步建立了动态的面孔吸引力数据库，如（Weng et al.， 2021）从抖音截取了1430段人脸短视频，并根据视频的点赞量和评论量化出吸引力的评分，并利用一个双流时间卷积网络（Two-stream temporal convolutional network，2S-TCN）捕捉到几何和外形特征，建立了动态面孔吸引力数据库VFAP。此外，在现实情境中，对于面孔吸引力的感知是一个多模态信息综合处理的过程，未来可以联合各种数据构建多模态面孔吸引力数据库。对于面孔吸引力的评价，存在嗅觉和视觉的跨模态情感整合效应（Feng amp; Lei， 2022），不适的气味信息会降低个体对于面孔的吸引力评分（Demattè et al.， 2007）；声音同样影响着面孔吸引力的感知（Feinberg et al.， 2005）；表情也影响着吸引力的感知，对于同一张面孔，悲伤表情的吸引力评分更低 （Ueda et al.， 2016）。未来应该将声音、气味、表情等动态信息纳入考虑，建立多模态面孔吸引力数据库，以便于研究者更好开展相关研究，建立更加贴近现实生活的面孔吸引力预测模型。

5.2 开展学科交叉视角的研究

计算机对于面孔吸引力的建模具有速度快的特点，应用范围广泛，这一过程以面孔吸引力数据库的建立为基础，而数据库中面孔特征的选取则需要美学、心理学等相关理论为指导。可见，面孔吸引力的计算建模是一个多学科交叉的领域，是由不同时代对于“颜值”的理解以及人工智能技术的发展水平所决定的。开展面孔吸引力的交叉学科研究可以从理论基础运用到技术，技术辅助理论研究两个方面考虑。

第一，从理论到技术这条路径看，对于理论驱动的模型，将面孔吸引力的美学和心理学知识运用于计算建模，要考虑多个特征的结合作为预测变量。Holzleitner等（2019）的研究表明多变量的建模效果相较于单变量更好。他们收集了594个年轻女性的面孔图片，对其面孔吸引力进行评分，并量化了对称性、平均化和性二态性三大特征，将其作为预测因子，建立面孔吸引力预测模型。结果发现相较于单变量模型，结合多种特征进行预测有利于提高模型的性能，然而目前的研究大多采用数据驱动模式，这种方式大多只单独考虑了几何/纹理特征，有待进一步优化。具体来看，对于数据驱动的模型，审美认知机理可以辅助人工智能神经网络的构建，深层模拟人类的审美机制（郭斌等， 2021），以攻克深度学习可解释性较低的问题。因此未来可以结合面孔吸引力的审美认知神经机理来设计模型；此外，心理学的研究可以进一步探讨形式美学和进化美学相关面孔美要素的贡献程度，通过建立完备的知识图谱等方式，为模型加入知识引导以增加模型可解释性，减少模型对数据量的依赖。

第二，从技术辅助理论这条路径来看，可以借助相关技术，探讨各个特征要素的作用。一方面技术的支持有助于理论的发现，如有研究者通过数据驱动的正交化模型来控制二态性，揭示了存在独立于二态性的因素影响着面孔吸引力（Nakamura amp; Watanabe， 2020）；也有数据驱动的计算证明了形状是男性和女性面部吸引力的决定因素（Nakamura amp; Watanabe， 2019）。另一方面，人工智能相关技术也能辅助验证相关理论，如Sano等（2021）建立的模型中，从可视化隐藏层发现男性图像倾向于显示眉毛周围的激活，而女性图像则倾向于显示眼睛下方和周围的激活，这与心理学的研究保持一致。通过数据驱动的模型发现规律，再由实证研究去验证，这样循环的过程，也不失为一种研究的有效路径。

参考文献

陈丽君， 江洁， 任志洪， 袁宏（2017）. “阳刚”还是“清秀”更具吸引力？——对男性面孔二态性不同偏好的元分析. 心理科学进展， 25（4）， 553-569.

费建伟， 夏志华， 余佩鹏， 戴昀书（2017）. 人脸合成技术综述. 计算机科学与探索，15（11）， 2025-2027.

郭斌， 张秋韵， 方禹杨， 丁亚三， 张盈， 於志文（2021）. 计算美学： 计算科学驱动的视觉美学度量与生成. 包装工程， 42（22）， 62-77.

郭玉越（2017）. 进化论美学研究如何可能？——主论研究的内容、方法和意义. 自然辩证法研究， 33（8）， 114-119.

刘丽， 匡纲要（2009）. 图像纹理特征提取方法综述. 中国图象图形学报， 14（4）， 622-635.

王德胜（2016）. 美学原理. 北京： 高等教育出版社.

魏斌（2022）. 符号主义与联结主义人工智能的融合路径分析. 自然辩证法研究， 38（2）， 23-29.

吴巾一， 周德龙（2009）. 人脸识别方法综述. 计算机应用研究， 26（9）， 3205-3209.

张钹， 朱军， 苏航（2020）. 迈向第三代人工智能. 中国科学： 信息科学， 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.， Österbauer， 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.

Møller， 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. İ.， 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.