合成儿童种族数据的基于 GAN 的图像翻译的比较研究
使用生成对抗网络和面部年龄进展模型合成了真实数据集 HDA-SynChildFaces,研究了儿童面部识别系统的性能,发现亚洲人、黑人、女性的识别效果相对不如白人、拉丁裔、男性。
Apr, 2023
使用 StyleGAN2 和转移学习构建的 ChildGAN,通过平滑的领域转换生成高质量的、逼真的合成男孩和女孩面部数据,这些数据的独特性和特征已经通过不同的计算机视觉应用测试得到验证,结果表明高质量的合成儿童面部数据为替代实际儿童大规模数据的成本和复杂性提供了一个选择。
Jul, 2023
研究发现,现有的人脸识别系统往往存在对某些民族的偏见,这是因为数据中缺乏对这些民族的充分代表。本研究通过使用合成人脸图像生成方法来改变种族和肤色,以增加数据集的多样性。研究还对使用这样的数据集进行人脸识别系统的适应性进行了详细分析,并使用个体类型角度(ITA)进行真实肤色表示的评估,并使用人脸图像质量评估方法对质量特性进行分析。通过使用四种不同的系统进行全面的人脸识别系统性能分析,本研究为未来的研究工作铺平了道路,包括(i)开发特定民族和一般民族的改变模型,(ii)扩展这样的方法以创建具有多样肤色的数据库,(iii)创建代表各种民族的数据集,进一步在解决隐私问题的同时有助于减轻偏见。
May, 2024
通过使用高级 ChildDiffusion 框架,我们提出了一种能够生成逼真儿童面部样本并在儿童面部数据上嵌入几种智能增强的方法,包括短文本提示、详细的文本指导和基于文本指导控制的图像转换,从而提供了机会来构建完全综合的大规模儿童数据集。该框架可以合成用于各种下游机器学习任务的儿童面部数据,解决了生成 AI 工具中常见的时间不一致性和对渲染输出的有限控制等问题。
Jun, 2024
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
现代人机交互(HCI)研究主要依赖于神经网络模型,而这些模型对于系统用户的机器视觉和语音理解需求。针对面向脆弱人群(如儿童)的接口开发需要大量标注的训练数据集,而 GDPR 对于数据的收集、管理和处理引入了显著的复杂性。为了满足 Edge AI 智能玩具平台的培训需求,这项研究探索了生成神经技术的最新进展,并提供了一个可控的数据生成流程的工作概念,用于面向语音驱动的面部训练数据的规模化生成。在这个背景下,我们演示了如何微调 StyleGAN2 来创建一个性别平衡的儿童面部数据集。该数据集包含多种可控因素,如面部表情、年龄变化、面部姿势,甚至包括具有逼真唇部同步的语音驱动动画。通过将生成的文本转换为语音模型用于儿童语音合成以及基于 3D 标记的说话头部流程,我们可以生成高度逼真的完全合成的儿童视频片段。这些视频片段可以提供有价值且可控的合成训练数据,以弥补由于隐私条例的限制导致真实数据稀缺或受限的差距。
Nov, 2023
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
本文研究了儿童图书插图作为无配对图像转换的新领域,并提出了一种新的生成器网络来解决当前图像转换模型在样式和内容之间无法取得平衡的问题。同时,本文还提出了一种新的评估框架,通过单独的分类器来考虑内容和样式,并在插图数据集上表现更好。
Feb, 2020
本论文提出了 GANDiffFace,一种结合生成对抗网络(GAN)和扩散模型的新型框架,用于为人脸识别生成具有高度真实感的合成数据集,以克服现有合成数据集的局限性,特别是 GAN 提供的有限化内类别变化,进而增强内类别变化。
May, 2023