Het beheersen van de memorabiliteit van gezichtsafbeeldingen met generatieve modellen

Waarom sommige gezichten in ons geheugen blijven hangen

Dagelijks scrollen we langs talloze gezichten op onze schermen, maar slechts enkele blijven hangen. Adverteerders, leraren, kunstenaars en zelfs opsporingsdiensten zijn allemaal geïnteresseerd in welke beelden mensen onthouden en welke ze vergeten. Deze studie stelt een opmerkelijke vraag: kunnen we een gezichtsfoto doelbewust versterken om meer memorabel te worden of juist afzwakken om minder memorabel te zijn, terwijl het nog steeds dezelfde persoon is en er natuurlijk uitziet? Met krachtige beeldgeneratoren laten de auteurs zien dat het antwoord grotendeels ja is, en dat memorabiliteit op een gecontroleerde manier kan worden gestuurd.

Een nieuwe manier om te regelen hoe memorabel een gezicht is

De onderzoekers bouwen voort op recente vooruitgang in generatieve kunstmatige intelligentie, met name een systeem genaamd StyleGAN dat zeer realistische gezichten kan creëren uit abstracte numerieke codes. Elke code komt overeen met één gezicht. Door een grote verzameling synthetische gezichten te genereren en te scoren hoe waarschijnlijk elk gezicht onthouden wordt met behulp van deep-learning “memorability assessor”-netwerken, maakt het team een kaart tussen deze verborgen codes en menselijk geheugen. Vervolgens gebruiken ze een eenvoudige statistische techniek om een scheidingsvlak in deze verborgen ruimte te vinden dat meer memorabele gezichten van minder memorabele scheidt. Een gezichtscode in één richting over dit vlak verplaatsen verhoogt de voorspelde memorabiliteit, in de andere richting verlaagt het die.

Uiterlijk veranderen zonder te veranderen wie het is

Om dit nuttig te maken voor echte foto’s, “inverteren” de auteurs eerst een echte afbeelding naar StyleGANs verborgen ruimte, waarbij ze een code vinden die het originele gezicht reconstrueert. Zodra die code is gevonden, duwen ze die langs de memorabiliteitsrichting en regenereren ze de afbeelding. De resulterende gezichten horen nog steeds bij dezelfde persoon maar lijken nu meer of minder geneigd om in het geheugen te blijven hangen. Zorgvuldige tests tonen aan dat de identiteit van mensen behouden blijft en dat de realiteit van de beelden dicht bij die van de onbewerkte uitvoer blijft. Het team ontwikkelt ook een fijnere, meertrapsversie van de methode die memorabiliteit in meerdere kleine stappen aanpast in plaats van één grote sprong; deze mildere controle houdt de identiteit nog stabieler.

Wat er eigenlijk verandert wanneer een gezicht memorabel wordt

Door duizenden bewerkte gezichten te onderzoeken, onthult de studie welke visuele details vaak verschuiven wanneer memorabiliteit toeneemt. Meer memorabele gezichten zien er vaak iets jonger uit, met een slankere gelaatsstructuur, helderder huid, uitgesprokener make-up of gezichtsbeharing en serieuzere uitdrukkingen. De onderzoekers meten lokale beeldkenmerken rond de ogen en mond en vinden kleine maar betrouwbare verhogingen in contrast in de oogregio en rijkere lipkleur wanneer de memorabiliteit wordt opgevoerd. Ze sluiten ook een eenvoudige verklaring op basis van algehele helderheid uit: het uniform verhelderen of verduisteren van gezichten verandert de memorability-scores nauwelijks vergeleken met de sterkere, meer gelokaliseerde bewerkingen die hun methode produceert.

Verder dan gezichten: alledaagse objecten

De aanpak beperkt zich niet tot mensen. De auteurs passen hetzelfde idee toe op afbeeldingen van katten, paarden, auto’s en kerken die zijn gemaakt door andere generatieve modellen. Ook hier vinden ze een richting in de verborgen codespace die de voorspelde memorabiliteit verhoogt of verlaagt. Voor objecten betreffen de zichtbare veranderingen vaak inzoomen, het verschuiven van het gezichtspunt of het veranderen van achtergrond en kleur op manieren die het onderwerp doen opvallen. Dit suggereert dat hoewel de visuele aanwijzingen verschillen tussen gezichten en objecten, het onderliggende principe vergelijkbaar is: er zijn consistente richtingen in de ruimte van mogelijke beelden die ze meer of minder memorabel maken.

Waarom gecontroleerde memorabiliteit ertoe doet

Simpel gezegd toont het artikel aan dat memorabiliteit niet alleen een mysterieus bijproduct van een afbeelding is; het is iets dat met opzet kan worden aangepast. Door te leren hoe beelden langs subtiele visuele dimensies kunnen worden bijgestuurd, kunnen computers gezichten en objecten maken die onze geest meer of minder snel opslaat. Dit heeft mogelijke toepassingen in onderwijs, waar diagrammen of illustraties voor betere herinnering kunnen worden afgestemd, en in communicatie en ontwerp, waar belangrijke boodschappen gepaard kunnen gaan met beelden die in het geheugen blijven hangen. Tegelijkertijd benadrukken de auteurs de noodzaak van ethische waarborgen, want dezelfde instrumenten die educatieve beelden effectiever maken, kunnen ook worden gebruikt om aandacht en geheugen te beïnvloeden op manieren die zorgvuldige supervisie verdienen.

Bronvermelding: Younesi, M., Mohsenzadeh, Y. Controlling memorability of face images with generative models. Sci Rep 16, 15759 (2026). https://doi.org/10.1038/s41598-026-46581-z

Trefwoorden: image memorability, face images, generative models, StyleGAN, latent space editing