通过提出一种生成综合面部多样性数据集的方法，本研究旨在解决现有面部图像数据集集中在年龄、性别和肤色等少数面部属性上的问题，从而提高 AI 系统的鲁棒性。这种方法不仅包括人口统计学和生物识别特征，还涵盖了妆容、发型和配饰等非永久性特征，通过引导最先进的文本到图像模型生成高质量、逼真的综合数据集，并可用于面部分析系统的评估。与现有数据集相比，我们提出的数据集在图像分类任务中同样具有或更高的挑战性，同时大小更小。

Apr, 2024

本文提出了一种方法，通过学习语义空间中可解释和有意义的路径来减轻深度学习区分模型中的相关性，以提高公平性。通过编辑受保护特征（如年龄和肤色），将这些路径应用于增强图像，从而改善给定数据集的公平性。

Nov, 2023

该研究论文探讨了一种根据样式生成对抗网络（StyleGAN）潜在空间的简单方法，用于生成平衡且可能无偏差的合成数据集，以用于训练、规范化或评估基于深度学习的人脸识别模型，并证明了可以有效地合成任何组合的人口统计学群体。

Sep, 2023

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

本文提出、训练和验证了使用潜在的文本到图像扩散模型来综合老化和年轻化的人脸图像，评估了该方法在 CelebA 和 AgeDB 数据集上的表现，发现与现有的最先进基线相比，误识率显著降低了约 44%。

Jul, 2023

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

本文提出了一种名为 FADING 的基于扩散编辑的面部老化方法，通过利用大规模语言 - 图像扩散模型的丰富先验信息，通过特定的预训练扩散模型和年龄感知微调策略，将输入图像逆向编码到潜在噪声并获得优化的空文本嵌入，最后通过注意力控制进行基于文本的局部年龄编辑，定量和定性分析表明，该方法在老化准确性、属性保护和老化质量方面优于现有方法。

Sep, 2023

在本文中，我们引入了一种新颖的一阶段面部恢复年轻化方法，并结合肖像风格转换，在单个生成步骤中执行。我们利用现有的面部恢复年轻化和风格转换网络，两者均在相同的 PR 领域内进行训练。我们的方法独特地融合了不同的潜在向量，每个向量负责管理与年龄相关的属性和 NPR 外观。采用示例为基础的方法，我们的方法比领域级精调方法提供了更大的灵活性，这些方法通常需要针对每个领域进行单独训练或精调。我们的实验表明，我们的模型可以轻松生成年轻化的图像，同时保持示例的风格，保持自然外观和可控性。

Feb, 2024

本文提出了一种基于图像到图像转换技术的年龄转换方法，结合使用 StyleGAN 生成的潜码，利用预训练的年龄回归网络指导生成对应于期望年龄的潜码的生成器进行年龄变化的图像合成，并能够对生成图像进行进一步编辑。实验结果显示该方法相较于现有的最先进方法具有更好的效果。

Feb, 2021

基于生成模型，提出了一个新的两阶段框架来在有偏数据上训练公平的面部属性分类模型，通过编辑潜在的虚假属性并促进模型对这些属性的不变性，实现在面部属性分类中提升公平性而不损害准确性。

Mar, 2024