第一個仔細研究平均臉孔的人是英國科學家高爾頓。大家知道他往往是因為他提出的優生學概念。他還在統計上頗有造詣，統計學家皮爾遜就是他的學生。在高爾頓研究犯罪分子的時候，他想到會不會犯罪分子的臉孔上有點犯罪特徵呢（當然這個理論不成立，不過很有現代科學家研究臉孔社會特徵的感覺）。
精通統計的他想到把這些臉孔平均起來：倘若犯罪份子的臉孔有犯罪特徵，那麼在多個犯罪份分子的相片（底片）疊加之後，犯罪特徵會被保留，而無關變數會相互消解；按照統計觀點，無關變數的影響會隨著樣本容量增加而消減，所以倘若有犯罪特徵肯定會在多張疊加之下顯露。
出乎意料，疊加的臉孔看起來並非惡貫滿盈；相較每一張被疊加的圖片，疊加的圖片顯得英俊。這一點在臉孔處理技術的提升下，成為臉孔研究的重點：平均化下的臉孔更加吸引人。
Langlois 教授早在1990 年那篇影響巨大的研究中發現平均化的臉孔更加美麗：平均抹去很多臉孔細節的棱角，例如我眼睛不大，平均化就能大一些，反正能好看點兒。按照Rhodes 教授的總結，研究臉孔美麗和平均性的文章，結果都指向平均性對臉孔美麗影響很大。
在一些實驗中，由於電腦技術的原因，圖片的平均有一個影響結果的副作用：簡單粗暴的平均也包含皮膚質地。大家都知道現在的相機有項磨皮功能，它就能提升臉孔的吸引力。就算是普通人，臉孔顏色更均勻，去除痘痘和疤痕是不是就好看很多？透過公式改進，保留一定的臉孔材質（盡可能少磨皮）的情況下，越平均的臉孔越美麗。
相信有讀者在這裡會感覺到奇怪：平均一般不都是中等水準嗎，為什麼在看臉孔的角度就變好看？在臉孔領域平均後的結果往往就是臉孔地圖的「中心圖片」、有代表性的圖片。有代表性的肖像可不只是平庸，它能反映整個群體中最有特點的表現（其餘的個體差異會被平均抹除），自然會比單一圖片好看一些。
當然，此處指的是大眾的臉孔，一張大眾臉若能更加平均就更好看一些，如果這個人本就美若天仙，平均的作用則不免微妙。Perrett 教授也指出，平均性要基於臉孔出現的文化和地區，他發現無論是英國還是日本，大家都喜歡那些臉孔趨近於中心的女性，但不同地域的人應該是趨近於他們各自地域的範本，甚至是他們各自認為的確好看的人的範本，而非一個共用的範本（這一點或多或少能解釋在美麗判斷上的文化差異）。
為什麼平均化的臉孔會更好看呢？大致有兩個原因：第一個原因還是和臉孔地圖有關係，是較為淺層的，純粹與臉孔本身相關；第二個原因類似對稱性，越平均化的臉孔越具有代表性，昭示良好的基因。
按照臉孔地圖假說，當一張臉孔與範本相似的時候，它與中心的距離更近（有利大腦加工），更有代表性，也更難被忘記。因為比較接近，大腦處理得更快、更輕鬆。 （相關報導： 你笑得恰到好處嗎？日本資生堂微笑檢定，不只替笑容分等還有7項指標 ｜ 更多文章 ）
結合臉孔地圖的假說能解釋我們生活中的三個有趣現象。第一，我們會美化自己的臉孔：因為太熟悉它。臉孔地圖的中心範本和個人經驗相關，每天面對鏡子裡自己的臉孔，頻繁地看到自己的臉孔，自然它在範本上的權重越大，因此我們會覺得自己的臉孔更接近範本中心，因為離我們心中的範本近看起來更平均，所以覺得美麗。
