「鵝蛋臉」生成不顯著（圖104、105）；特徵消除效果非常不顯著。「雙下巴」特徵生成 使嘴巴附近的臉部線條變得較為明顯（圖106、107），效果不顯著；消除雙下巴特徵效果非常 不顯著。「高顴骨」的特徵生成（圖108）與特徵消除皆非常顯著（圖 109）。
圖104 鵝蛋臉生成成果（不顯著） 圖105 鵝蛋臉生成成果（不顯著）
圖106 雙下巴特徵生成成果（不顯著） 圖107 雙下巴特徵生成成果（不顯著）
圖108 高顴骨特徵生成成果（非常顯著） 圖109 消除高顴骨生成成果（非常顯著）
2. 整體氣質、形象──凶惡、男性、年輕、微胖、模糊、白膚、臉色紅潤、化妝
「凶惡」的特徵效果非常顯著，主要針對眉間、眼神的部份進行調整（圖110、111）；凶 惡特徵的消除效果非常不顯著。「男性」為性別轉換，生成指的是女性轉換成男性（圖112），
效果非常顯著；消除則是男性轉換女性（圖113），效果顯著。「年輕」生成為年輕化（圖 114）
以及變老（圖115）之功能；結果發現，年輕化的效果較好，但都效果非常顯著。「微胖」特 徵生成結果發現，主要是照片色調調亮，與原先認知的臉龐改變有差異（圖116、117），效果 不顯著；微胖特徵消除效果非常不顯著。「模糊」的特徵是建立在使用者是遠距離目擊嫌犯，
因此對其臉龐的視覺印象屬於模糊，因此可能對使用者而言，模糊比清晰照更能讓使用者回 想。模糊效果非常顯著（圖118）；反模糊（清晰）生成效果不顯著（圖 119）。「白膚」的生成
（圖120）及消除（膚色調黑）（圖 121）效果皆非常顯著。「臉色紅潤」的效果非常顯著，卻 有時會牽動唇色（圖 122），推論是因為通常被標記為臉色紅潤之照片是化妝時有塗抹腮紅，
同時也會塗抹口紅；消除臉色紅潤效果也非常顯著（圖123）。「化妝」生成效果變動的特徵是 眼睛，有稍微放大的效果（圖124），效果顯著；而卸妝的生成效果顯著（圖 125）。
圖110 凶惡特徵生成成果（非常顯著） 圖111 凶惡特徵生成成果（非常顯著）
圖112 女變男特徵生成成果（非常顯著） 圖113 男變女特徵生成成果（顯著）
圖114 年輕特徵生成成果（非常顯著） 圖115 變老特徵生成成果（非常顯著）
圖116 臉部微胖生成成果（不顯著） 圖117 臉部微胖特徵生成成果（不顯著）
圖118 模糊特徵生成成果（非常顯著） 圖119 清晰生成成果（不顯著）
圖120 白膚生成成果（非常顯著） 圖121 膚色調黑生成成果（非常顯著）
圖122 臉色紅潤生成成果（非常顯著） 圖123 消除臉色紅潤成果（非常顯著）
圖124 化妝特徵生成成果（效果顯著） 圖125 卸妝生成成果（顯著）
四、 特徵生成、標準探討
GAN 是無監督學習，研究者其實難以對其進行學習的完全限制，而訓練後也無法知道 GAN 學習的細項，因此要改變特定特徵而不牽連其他特徵是困難的；雖然本研究之模型僅以 編碼器與解碼器結構、選擇性傳輸單元限制生成，很幸運地，大部份都有不錯的成果，但是 也有不佳的結果，因此在訓練的方法、資料前處理等限制生成方面，未來還需要多做些改良。
本研究可限制特徵之人臉生成器的設定：若原本沒有該特徵，則添加其特徵；若原本有，
則使該特徵消除。表3 是根據 40 個特徵生成編輯總類分成四類進行生成成果評價與整理，統 計後發現，大部分消除特徵的效果不彰，未來亦可朝這方面的原因去探討與改良邁進；而根 據四大類的生成成果可以發現，五官、毛髮、整體形象改變的特徵效果都算顯著，僅除了飾 品的生成以外，而此結果推論與剪裁的範圍有關，因此日後可以加以改良。
表3 40 個特徵種類效果總整理（單位：個）
本研究曾對生成成果進行多種評估試驗，例如平均雜湊演算法（Average hash algorithm）、
感知雜湊演算法（Perceptual hash algorithm）等圖片相似度演算法，然而實際驗證發現，由於 其考慮背景之比重過大且無聚焦於臉部特徵進行評分，因此不試用於本研究；另外本研究也
的受訪者認為本研究可以協助畫出嫌犯臉孔（79.2%完全肯定，2.3%認為有幫助），而 18.5%
的受訪者認為仍需改進或難以達到效果，如圖126。
圖126 問卷調查結果