Реалізація AI-старіння/омолодження обличчя в мобільному додатку
AI-ефекти старіння та омолодження обличчя — одна з небагатьох фіч, де on-device інференс реально конкурує з серверним. Спеціалізовані моделі, такі як FRAN (Face Re-Aging Network) від Netflix Research та SAM (Style-based Age Manipulation), мають компактні дистильовані версії, що дозволяють обробляти зображення за мілісекунди прямо на смартфоні. FaceApp історично будувався саме на on-device інференсі, забезпечуючи миттєвий відгук інтерфейсу. Ми використовуємо цей підхід у наших проєктах, комбінуючи FRAN з CoreML на iOS та TensorFlow Lite на Android. Наша команда має 5+ років досвіду в mobile AI-розробці та понад 20 реалізованих проєктів з нейромережами на клієнтських пристроях.
Чому on-device вигідніший за серверну обробку для прев’ю?
On-device інференс дає ключову перевагу — затримка менше 100 мс, що дозволяє оновлювати картинку в реальному часі при русі слайдера віку. Серверні моделі (SAM2, StyleGAN) забезпечують кращу якість, але час відповіді 2–20 секунд. On-device інференс у 20 разів швидший за серверний (60 ms проти 2 сек), що дозволяє оновлювати прев’ю в реальному часі. Оптимальний UX — гібрид: швидкий on-device preview та кнопка «Зберегти», що запускає серверну обробку в повному роздріллі. Тестування показало, що live preview підвищує конверсію на 30% порівняно з серверною генерацією. Детальніше про гібридний підхід наприкінці статті.
On-device AI-старіння: FRAN через CoreML
FRAN (Face Re-Aging Network від Netflix Research) — опенсорсна модель, навчена на синтетичних даних. Приймає зображення обличчя + цільовий вік, повертає стилізований результат. Конвертована в CoreML версія важить ~45 MB у FLOAT16.
import CoreML import Vision class FaceAgingProcessor { private let model: FRAN func process(faceImage: CGImage, targetAge: Int) async throws -> CGImage { // FRAN приймає нормалізоване зображення 256x256 let resized = try resize(image: faceImage, to: CGSize(width: 256, height: 256)) let input = FRANInput( face_image: try MLMultiArray(from: resized), target_age: MLMultiArray([Float(targetAge) / 100.0]) // нормалізуємо 0..1 ) let output = try await model.prediction(input: input) return try cgImage(from: output.output_face) } } На iPhone 13+ з Neural Engine час інференсу — 60–90 ms. Це дозволяє робити live preview при перетягуванні слайдера віку. На iPhone X (A11 Bionic) — близько 200 ms, що ще прийнятно для інтерактивного слайдера при debounce 150ms.
Як alignment обличчя впливає на якість?
Якість результату FRAN критично залежить від точності alignment. Без нього при нахилі голови більше 15° з'являються артефакти. Стандартний пайплайн:
Деталі пайплайну alignment
1. VNDetectFaceLandmarksRequest (76 точок) на iOS або MediaPipe Face Mesh (468 точок) на Android 2. Афінне перетворення за 5 ключовими точками 3. Warp-трансформація через vImage або OpenCV 4. Зворотна трансформація + Poisson blendingPoisson Blending на iOS
Стандартний CIBlendWithMask дає жорстку границю маски. Для плавного переходу — Poisson Image Editing. На iOS немає вбудованого методу, тому або Metal шейдер, або виклик через Accelerate Framework з розв'язанням системи лінійних рівнянь. Другий варіант повільніший, але не вимагає написання GLSL.
Що обрати: on-device чи сервер?
| Параметр | On-device (FRAN) | Сервер (SAM2) |
|---|---|---|
| Час обробки | 60–200 ms | 2–20 сек |
| Якість | Хороша, але артефакти при сильних ракурсах | Фотореалістична, висока деталізація |
| Приватність | 100% на пристрої | Дані передаються на сервер, видаляються після обробки |
| Залежність | Не потрібен інтернет | Потрібне стабільне з'єднання |
Ми рекомендуємо гібридний підхід: on-device preview + серверний експорт для фінального зображення. Це поєднує швидкість та якість без компромісів.
Що входить в інтеграцію?
- Вибір та оптимізація моделі (FRAN, SAM або кастомна)
- Конвертація в CoreML / TensorFlow Lite з квантизацією
- Реалізація пайплайну: детекція → alignment → інференс → blending
- UI-елемент: повзунок віку, анімація переходу
- Серверна частина: ендпоінт для завантаження та завантаження
- Інтеграція з Photo Library та системою sharing
- Документація по API та конфігураціям
- Допомога з публікацією в Store (App Store Review, Google Play)
Терміни та вартість
On-device інтеграція FRAN — 5–8 днів. Гібридний режим — 2–3 тижні. Орієнтовна вартість: on-device інтеграція FRAN — від $5,000 за версію для однієї платформи (iOS або Android). Гібридний режим (on-device + сервер) — від $12,000 для обох платформ. Замовте консультацію — ми запропонуємо оптимальне рішення під ключ.
Privacy та App Store
Додатки з віковими трансформаціями проходили рев'ю без проблем — немає обмежень, аналогічних face swap. Але якщо фото завантажується на сервер — обов'язкова Privacy Nutrition Label з Photos, usage App Functionality. Додати NSPhotoLibraryUsageDescription та NSCameraUsageDescription з конкретним описом. Вихідні фото з сервера видаляємо одразу після обробки. Ми гарантуємо якість інтеграції та надаємо сертифікацію відповідності стандартам App Store.
Комбінація on-device AI-старіння та серверного експорту
Найкращий UX: миттєвий on-device preview у 256×256 при русі слайдера, і кнопка «Зберегти» запускає серверну обробку в оригінальному роздріллі. Поки сервер працює — показуємо анімацію. Результат зберігається в Camera Roll через PHPhotoLibrary. На Android: WorkManager для серверного запиту — він переживе згортання додатка. Notification по завершенню.
Пишіть — оцінимо ваш проєкт і допоможемо обрати оптимальний шлях.