Jan, 2020

Imperfect ImaGANation: GAN 加重偏见，对面部数据增强和 Snapchat 自拍镜头的影响

PDF
TL;DR本研究表明，基于 Generative Adversarial Networks（GANs）的数据增强方法在数据集存在偏向性的情况下，可能会加剧性别和肤色偏见等潜在维度的偏向。特别地，我们展示了 GANs 进一步扭曲了由工程师头像组成的数据集的分布，会对少数族裔造成负面影响。因此，本研究是一种警示性的学术探究。
发现论文，激发创造
  • 论基于 GAN 的数据增强在延续偏见方面对工程师的想象

    使用生成对抗网络（GAN）生成合成数据进行数据增强已成为许多应用程序的流行方法，但这种技术具有的内在缺陷应引起从业人员的重视，例如 GAN 增强数据可能会强化和甚至放大训练数据中的偏差，这应该成为普通从业人员的警示。

    Nov, 2018

  • 关于 GAN 在人脸验证中的偏差行为

    本文介绍了深度学习系统需要大量数据进行训练的主题，提出了使用生成模型（如 GAN）生成合成数据的替代方法。然而，我们证明使用 GAN 生成的数据容易存在偏见和公平性问题，尤其是针对年龄段在 20-29 岁之间的白人脸部图像生成存在偏见。此外，我们还证明了在微调人脸验证系统时，合成人脸会对种族属性造成不公平影响。

    Aug, 2022

  • 生成逼真的训练数据以提高人脸识别准确性

    本文研究使用合成数据来增强面部数据集的可行性。我们提出了一种新颖的生成对抗网络（GAN），可以将相关身份属性与非相关身份属性区分开来。我们的 GAN 能够生成数据增强的合成图像，并且该模型可以提高面部识别模型的准确率。

    Oct, 2018

  • 扩散式人脸生成模型的偏差分析

    本论文探究了扩散模型在人脸生成中存在的偏见来源，如性别、种族和年龄等属性，并调查了数据集大小对不同属性类别下扩散模型和对抗生成网络（GAN）模型的属性组成和感知质量的影响，结果发现扩散模型往往会恶化训练数据的分布偏见，同时受到数据集大小的影响，而拥有较多样本的平衡数据集训练的 GAN 模型在不同属性方面表现出较小的偏差。

    May, 2023

  • 基于 GAN 的皮肤病变分析数据增广和匿名化：关键综述

    使用生成对抗网络进行皮肤病变分析的数据增强试验仅在分布不同的测试集上表现良好，在数据匿名化方面也只在分布不同的测试集上表现良好。因此，对于医学应用需要谨慎使用此技术。

    Apr, 2021

  • 基于条件生成对抗网络的人脸老化

    本文提出了一种基于生成对抗网络 (GAN) 的自动面部老化方法，强调在改变面部属性的同时，保留原始人物身份。通过新颖的 GAN 潜在向量的 “身份保持” 优化方法，通过现有的面部识别和年龄估计解决方案，对所得到的老化和回复面部图像进行客观评价，证明了所提方法的高潜力。

    Feb, 2017

  • 利用已有的偏置 StyleGAN2 进行零样本平衡种族数据集生成

    该论文提出利用深层学习方式进行人脸识别，通过生成对抗网络 GAN 生成虚拟多样的人脸数据集，以减小数据集的偏差对模型预测性能的影响。

    May, 2023

  • 检测基于 StyleGAN3 模型的生成对抗网络判别器中的病态偏差：一项案例研究

    生成对抗网络可生成逼真的面部图像，但在预训练的 StyleGAN3 模型中，鉴别器在图像和面部质量上存在系统性差异，这在性别、种族和其他类别上对图像不公平地影响，我们研究了鉴别器在肤色和亮度上对种族和性别的偏见，并研究了社会心理学中关于刻板印象研究中的常见标准。

    Feb, 2024

  • 不需重新训练深度生成模型的公平性改进

    该研究使用生成对抗网络 (GANs) 生成面孔，发现在生成图像的过程中，训练数据中的偏见被放大。为了解决这个问题，提出了一种可解释的基准方法来平衡产生的面部属性，从而产生更平衡的数据。同时，该方法具有泛化能力来处理多个属性以及细分组的样本合成，进而用于量化商业人脸属性分类器和人脸超分辨率算法中的偏见。

    Dec, 2020

  • 缓解人脸合成方法中的偏差的抽样策略

    通过对 Flickr Faces HQ 数据集上训练的 StyleGAN2 生成模型进行分析，本文提出了两种采样策略来平衡生成的人脸图像中选择属性的表示，并揭示了针对非常年轻和非常年老年龄组以及女性面孔的随机采样图像分布中出现的偏差。通过在潜在空间上选择特定的线或球来增加来自欠代表类的生成样本数量，以减轻偏差，并在不同质量级别上呈现出受保护特征的更均匀分布。

    May, 2024