Att kontrollera hur minnesvärda ansiktsbilder är med generativa modeller

Varför vissa ansikten fastnar i våra minnen

Varje dag bläddrar vi förbi otaliga ansikten på skärmarna, men bara några få stannar kvar hos oss. Annonsörer, lärare, konstnärer och till och med rättsväsendet bryr sig om vilka bilder människor minns och vilka de glömmer. Den här studien ställer en slående fråga: kan vi med avsikt vrida upp ett ansiktsfoto så att det blir mer minnesvärt eller ner så att det blir mindre minnesvärt, samtidigt som personen och ett naturligt utseende bevaras? Med kraftfulla bildgeneratorer visar författarna att svaret till stor del är ja, och att minnesvärdhet kan styras på ett kontrollerat sätt.

Ett nytt sätt att ställa in hur minnesvärt ett ansikte är

Forskarna bygger vidare på nyare framsteg inom generativ artificiell intelligens, särskilt ett system kallat StyleGAN som kan skapa mycket realistiska ansiktsbilder från abstrakta numeriska koder. Varje kod motsvarar ett ansikte. Genom att generera en stor samling syntetiska ansikten och bedöma hur sannolikt det är att varje ansikte blir ihågkommet med hjälp av djupa lärande‑nätverk för ”minnesvärdhetsbedömning”, skapar teamet en karta mellan dessa dolda koder och mänskligt minne. De använder sedan ett enkelt statistiskt verktyg för att hitta en skiljeplan i detta dolda rum som separerar mer minnesvärda ansikten från mindre minnesvärda. Att flytta ett ansikts kod i en riktning över denna yta ökar dess förutsagda minnesvärdhet, medan att flytta åt andra hållet sänker den.

Ändra utseende utan att förändra vem det är

För att göra detta användbart för verkliga fotografier inverterar författarna först en verklig bild in i StyleGAN:s dolda rum och hittar en kod som återskapar det ursprungliga ansiktet. När denna kod har hittats knuffar de den längs minnesvärdhetsriktningen och återgenererar bilden. De resulterande ansiktena tillhör samma individ men ser nu mer eller mindre benägna att fastna i minnet. Noggranna tester visar att människors identiteter bevaras och att bildrealismen förblir nära den hos de oredigerade utgångsbilderna. Teamet utvecklar också en finare, flernivåversion av metoden som justerar minnesvärdheten i flera små steg snarare än ett enda hopp; denna mjukare kontroll håller identiteten ännu mer stabil.

Vad som faktiskt förändras när ett ansikte blir minnesvärt

Genom att granska tusentals redigerade ansikten avslöjar studien vilka visuella detaljer som tenderar att skifta när minnesvärdheten ökar. Mer minnesvärda ansikten ser ofta något yngre ut, med smalare ansiktsform, ljusare hy, mer markerad makeup eller ansiktshår och mer allvarliga uttryck. Forskarna mäter lokala bildegenskaper kring ögon och mun och finner små men pålitliga ökningar i kontrast i ögonregionen och i läpparnas färgrikedom när minnesvärdheten höjs. De utesluter också en enkel förklaring baserad på övergripande ljusstyrka: att jämnt ljusa upp eller mörka ner ansikten ändrar knappt minnesvärdhetspoängen jämfört med de starkare, mer lokaliserade ändringar som deras metod producerar.

Bortom ansikten till vardagsföremål

Tillvägagångssättet är inte begränsat till människor. Författarna tillämpar samma idé på bilder av katter, hästar, bilar och kyrkor skapade av andra generativa modeller. Återigen hittar de en riktning i det dolda kodrummet som höjer eller sänker förutsagd minnesvärdhet. För objekt involverar de synliga förändringarna ofta att zooma in, ändra synvinkel eller byta bakgrund och färg på sätt som får motivet att sticka ut. Det tyder på att medan de visuella ledtrådarna skiljer sig mellan ansikten och objekt, är den underliggande principen liknande: det finns konsekventa riktningar i bildrummet som gör dem mer eller mindre benägna att bli ihågkomna.

Varför kontrollerad minnesvärdhet spelar roll

Enkelt uttryckt visar artikeln att minnesvärdhet inte bara är en mystisk biprodukt av en bild; det är något som kan justeras med avsikt. Genom att lära sig hur man knuffar bilder längs subtila visuella dimensioner kan datorer skapa ansikten och föremål som vårt minne är mer eller mindre benäget att lagra. Detta har potentiella tillämpningar inom utbildning, där diagram eller illustrationer kan justeras för bättre återkallelse, och inom kommunikation och design, där viktiga budskap kan paras med bilder skapade för att dröja kvar i minnet. Samtidigt betonar författarna behovet av etiska skyddsåtgärder, eftersom samma verktyg som gör utbildningsbilder effektivare också kan användas för att forma uppmärksamhet och minne på sätt som kräver noggrann tillsyn.

Citering: 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

Nyckelord: bildminnesvärdhet, ansiktsbilder, generativa modeller, StyleGAN, redigering i latent rum