本研究构建了一个包含108,501张图像的人脸图像数据集，强调数据集的平衡种族构成，通过对基于此数据集训练模型和评估性能的实验，发现模型的准确性较高且与种族和性别无关。

Aug, 2019

本文探讨了人脸识别算法中面部图像识别误差受种族差异影响的可能基础因素，包括数据驱动和场景建模，并提供了对评估算法种族偏见的方法论考虑。通过对四种面部识别算法表现的数据分析，本文得出种族偏见的存在需要在各不同应用场景下进行测量，同时提供了一个检查清单来测量面部识别算法中的种族偏见。

Dec, 2019

本篇论文介绍通过使用一个平衡的面孔集合数据集，学习进行亚组特定的阈值来消除避免面部识别系统中策略所导致的表现差异和偏差，在总体性能中表现出显著的提高。同时，通过人类评估证实了人类感知中存在这样的偏差。

Feb, 2020

本文分析了人脸质量评估和识别偏见之间的相关性，发现当前人脸质量评估算法也存在偏见，应注意公平和歧视问题。

Apr, 2020

今篇文章探讨了针对面部识别中的种族偏见问题，当前大多数方法都试图在训练过程中纠正模型中的偏见，但忽略了数据集自身所带来的种族偏见，作者实验证明，在训练中仅使用非洲面孔甚至比同等比例使用不同面孔更具公平性，并添加更多图像以提高准确性。

Sep, 2021

这篇论文探讨了人脸识别技术的偏见和种族主义问题，分析了测试数据、训练数据和图像本身特征等多个因素对人脸识别准确度的影响。研究发现，测试图像本身特征对人脸识别准确度有着直接的影响。

Apr, 2023

通过深入分析，本文重点讨论了涉及种族、年龄和性别等因素的交叉偏见问题，提出了在当前文献中较少探索的种族、年龄和性别组合方面的性能差异。此外，本文在定量分析中引入了五个补充指标，包括不公平影响和不公平待遇指标，以克服当前主流方法中常被忽视的重要局限。研究结果表明，人脸识别系统存在普遍偏见，不仅限于种族，不同的人口统计因素导致显著不同的结果。通过揭示这些偏见及其影响，本文旨在促进进一步研究，以开发更公正、更公平的人脸识别和验证系统。

Jul, 2023

1对N面部识别的准确性在不同人口群体之间存在细微差异，并且在模糊和低分辨率的情况下可能会显著增加误识率。

Sep, 2023

通过使用合成数据来缓解影响面部识别技术的人口偏见的可能性进行了研究。

Feb, 2024

本研究解决了面部识别中真实数据与合成数据的使用在准确性和公平性方面的矛盾。通过采用多种生成方法，本研究发现基于扩散模型生成的合成数据在提高模型准确性方面具有较高的有效性，而来自预训练生成方法的平衡数据对公平性的影响微乎其微，甚至在某些情况下加剧了不公平现象。

Sep, 2024