Feb, 2022

FairStyle: 使用样式通道操控消除 StyleGAN2 偏见

PDF
TL;DR本文提出了一种直接修改预训练 StyleGAN2 模型的方法，该方法利用 StyleGAN2 模型的样式空间对目标属性进行解缠，从而生成相对公平的图像集合。实验表明，我们的方法可以在几分钟内成功地消除 GAN 模型的偏见，而不会影响所生成的图像的质量，以此来推进公平生成模型的发展。
generative adversarial networksstylegan2debiased image generationattribute disentanglementfairness
发现论文，激发创造
  • 通过使用合成数据进行模型再平衡的公平生成对抗网络

    使用深度生成模型生成平衡数据，并提出的偏差缓解损失函数能够在非平衡数据集上改善公平性指标，同时保持图像质量。

    Aug, 2023

  • 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

  • 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

  • StyleGAN2 蒸馏用于前馈图像操作

    本文介绍了一种使用图像对图像网络训练的方式来将 StyleGAN2 的特定图像处理提炼成图像对图像的处理方式，展示了通过这种方式实现的几种人脸图像处理效果，并显示出生成质量可与 Backpropagation 方法和现有的最先进方法相媲美。

    Mar, 2020

  • Fine-Tuning StyleGAN2 用于卡通人脸生成

    本文提出了一种基于 StyleGAN2 预训练模型的图像翻译方法，可在不平衡数据上进行无监督学习，通过简单的微调技术即可学习有限数据，并且可以生成符合源图像结构的逼真目标图像。

    Jun, 2021

  • StyleSpace 分析：StyleGAN 图像生成的解耦控制

    通过对预先训练在多个数据集上的模型进行分析，本文探讨和分析了 StyleGAN2 的潜在样式空间，发现 StyleSpace 的通道式样式参数空间显著比前人的其他中间潜变空间更具解开性，提出了一种通过 StyleSpace 控制实现更好的视觉属性解开性的方法，最终展示了应用 StyleSpace 控制实现对真实图像的操作，为通过简单而直观的接口实现具有语义意义的、良好解开的图像操作铺平了道路。

    Nov, 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

  • 透过公平的镜子：减少图像数据集中的偏差

    本研究通过重构和最小化预期变量之间的统计相依来解决图像训练数据偏见的问题，使用包含 U-net 和预训练分类器的架构，将所提出的模型与最新的去偏见方法进行了对比，并展示了模型的公正性 - 准确性组合。

    Sep, 2022

  • 平衡面部数据集：指导 StyleGAN 生成标记的合成面部图像数据集以满足代表性不足的群体需求

    使用 StyleGAN 模型生成了一个鲁棒的人脸图像数据集，通过控制生成过程并为不同的下游任务进行注释，实现了数据集在不同人群中的平衡分布。

    Aug, 2023

  • 自我提炼 StyleGAN: 以网络照片为基础的生成

    本文提出了一种基于 StyleGAN 的自我蒸馏方法，通过生成图像的自我筛选和感知聚类来解决从互联网采集的未加工图像数据集中存在的离群值和多模态分布等挑战，实现高质量图像的生成。

    Feb, 2022