A Large-scale Evaluation of Text-guided Models for Facial Editing

Imagine um artista digital que pode mudar a cor do cabelo de uma pessoa, adicionar um par de óculos ou virar sua cabeça para olhar para o horizonte, tudo isso ao digitar uma simples frase em um computador. Este é o promessa da edição de imagens guiada por texto, um campo em rápido crescimento onde a inteligência artificial aprende a compreender a linguagem humana e aplicar essas instruções a fotografias. Por anos, pesquisadores construíram sistemas capazes desses feitos, mas eles frequentemente lutavam com um desafio específico: manter a pessoa na foto parecendo ela mesma enquanto realizavam as mudanças solicitadas. Métodos mais antigos podiam ou mudar demais o rosto, tornando-o irreconhecível, ou podiam apenas fazer ajustes muito limitados, como mudar o ângulo da cabeça. Agora, uma nova geração de ferramentas surgiu alegando resolver esses problemas, oferecendo a capacidade de fazer edições complexas e realistas baseadas em comandos de texto. Mas à medida que essas ferramentas se tornam mais poderosas, uma questão crítica permanece: elas funcionam igualmente bem para todos ou possuem falhas ocultas que tratam diferentes grupos de pessoas de forma injusta?

Uma equipe de pesquisadores partiu para responder a essa pergunta, submetendo os seis modelos de edição guiada por texto mais populares a um teste. Eles não apenas pediram aos computadores para fazer algumas mudanças aleatórias; eles conduziram uma avaliação massiva e sistemática envolvendo quase um milhão de edições de imagens. O objetivo era ver quão bem esses modelos poderiam lidar com uma sequência de quatro instruções diferentes em seguida, como mudar a cor do cabelo de uma pessoa, depois adicionar um chapéu, depois mudar o chapéu e, finalmente, virar a cabeça. Para fazer isso, os pesquisadores criaram uma nova e extensa biblioteca de 169 tarefas de edição específicas focadas em cabelo, acessórios e posição da cabeça. Eles testaram os modelos em duas grandes coleções de fotos de celebridades, garantindo uma mistura diversificada de homens e mulheres, jovens e idosos, e pessoas com tons de pele claros e escuros.

Os resultados revelaram um quadro claro de onde essas tecnologias se encontram hoje. Os modelos provaram ser bastante capazes de lidar com mudanças de cabelo e acessórios. Quando solicitados a mudar um penteado ou adicionar um par de óculos escuros, a maioria dos sistemas teve um bom desempenho, seguindo as instruções com sucesso enquanto mantinha o rosto da pessoa reconhecível. No entanto, os mesmos modelos tiveram dificuldades significativas quando solicitados a mudar a pose de uma pessoa, como fazê-la olhar para a esquerda ou para a direita. Nesses casos, os sistemas frequentemente falhavam em seguir o comando ou alteravam o rosto de maneiras que tornavam a pessoa irreconhecível.

Talvez mais preocupante tenha sido a descoberta de que todos os modelos tendiam a "editar excessivamente". Isso significa que, ao receberem uma instrução específica, o computador frequentemente mudava coisas que não foram solicitadas. Por exemplo, se um usuário pedisse ao modelo para mudar o penteado de uma pessoa para um corte chanel, o modelo poderia também mudar a cor do cabelo para castanho, mesmo que o usuário nunca tivesse solicitado uma mudança de cor. Os pesquisadores descobriram que isso acontecia frequentemente, com os modelos realizando cerca de 25 mudanças extras e indesejadas para cada 100 instruções dadas. Esses erros não eram aleatórios; eles frequentemente derivavam de modelos aprendendo associações incorretas, como acreditar que um penteado específico sempre acompanha uma cor de cabelo específica.

O estudo também descobriu vieses significativos na forma como esses modelos tratavam diferentes pessoas. A edição excessiva não era distribuída uniformemente entre todos os rostos. Os modelos eram muito mais propensos a fazer mudanças indesejadas ao editar rostos de homens, particularmente aqueles com tons de pele escuros, e ao editar rostos de pessoas mais velhas. Por exemplo, ao editar o cabelo de um homem de pele escura, o sistema era muito mais propenso a alterar acidentalmente outros traços, como adicionar pelos faciais ou alterar o tom de pele, em comparação com quando editava o rosto de uma mulher de pele clara. Da mesma forma, os modelos eram menos bem-sucedidos em preservar a identidade de rostos mais velhos, fazendo-os parecer mais jovens ou alterando seus traços de forma mais drástica do que os de pessoas mais jovens.

Essas descobertas sugerem que, embora as ferramentas de edição guiada por texto estejam se tornando poderosas o suficiente para o uso no mundo real, elas ainda não são perfeitas. Elas funcionam bem para tarefas simples como adicionar um chapéu ou mudar a cor do cabelo, mas ainda lutam com movimentos mais complexos e carregam vieses ocultos que podem levar a resultados injustos ou imprecisos para certos grupos. Os pesquisadores enfatizam que o trabalho futuro deve focar em corrigir esses hábitos de edição excessiva e garantir que a tecnologia trate cada rosto com o mesmo nível de precisidade e respeito, independentemente de idade, gênero ou tom de pele. Até que essas questões sejam resolvidas, os usuários devem estar cientes de que esses artistas digitais ainda estão aprendendo e que, às vezes, podem mudar mais do que lhes foi pedido.