Feb, 2024

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

PDF
TL;DR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。
generative adversarial networksphotorealistic facesdiscriminatorbiasstereotyping
发现论文，激发创造
  • 利用生成模型表征分类器的偏差

    使用逐步条件生成模型和贝叶斯优化的方法，通过生成对抗网络来分析分类器在种族和性别方面的偏差。

    May, 2019

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

    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。

    Jan, 2020

  • 用于生成对抗网络的动态遮挡鉴别器

    从在线持续学习的角度出发，提出了一种新颖的 GAN 方法，通过将生成的数据视为流来训练鉴别器模型，并自动检测其阻塞并动态遮罩其特征，使其能够适应临时变化的生成数据分布。实验结果表明，该方法优于现有的最先进方法。

    Jun, 2023

  • 公平感知生成对抗网络

    本文提出了一种名为 FairGAN 的公平性生成对抗网络，旨在生成既不带偏见又具有较好数据实用性的数据。与基本的公平数据生成模型相比，FairGAN 还确保了对生成数据进行分类的分类器可以在真实数据上实现公平分类。

    May, 2018

  • 医疗影像生成对抗网络：综述

    本文综述了在医学图像方面使用对抗性训练方案的最新进展，这种方法利用生成对抗网络，能够在不显式建模概率密度函数的情况下生成数据，具有域自适应、数据增强和图像处理等优点。

    Sep, 2018

  • GAN 生成的面孔检测：综述和新视角

    通过分析当前 GAN 人脸检测的研究方向和方法，本文对深度学习、物理学、生理学以及与人类视觉性能的评估和比较等方法进行了分类，总结出不同类别的关键思路并与其具体实现相联系，讨论了存在的问题并提出了未来研究方向。

    Feb, 2022

  • 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

  • 基于梯度的激活函数实现准确无偏学习

    通过使用抗干扰学习中的自我学习机制，可以显著提高模型的准确性并减少偏差。

    Feb, 2022

  • 野外假人脸图像检测学习

    本研究提出了一个名为 DeepFD 的深度伪造鉴别器，采用对比损失的方法来检测由不同 GAN 生成的计算机生成图像，实验结果表明，DeepFD 可以有效地检测到几种最新的 GAN 生成的 94.7% 假图像。

    Sep, 2018

  • 提高生成对抗网络的泛化能力和稳定性

    本文通过分析实际情景下 GAN 的泛化能力，证明了原始 GAN 的损失函数训练得到的鉴别器的泛化能力较差，并提出了一种零中心梯度惩罚策略以改善鉴别器的泛化能力，并保证 GAN 的收敛和泛化。通过在合成和大规模数据集上的实验，验证了理论分析的正确性。

    Feb, 2019