图像上采样方法公平性基准评测

近年来，用于创建合成媒体（如图像和视频）的深度生成模型发展迅速。尽管这些模型在日常任务中的实际应用引人注目，但评估其公平性方面的固有风险至关重要。在这项工作中，我们引入了一个全面的框架，用于基准测试条件生成模型的性能和公平性。我们开发了一套指标——受其监督学习公平性对应指标的启发——来评估模型的公平性和多样性。我们聚焦于图像上采样这一特定应用，创建了一个涵盖各种现代上采样方法的基准。作为该基准的一部分，我们引入了 UnfairFace，它是 FairFace 的一个子集，复制了常见大规模人脸数据集的种族分布。我们的实证研究强调了使用无偏训练集的重要性，并揭示了算法对数据集不平衡的响应方式存在差异。令人担忧的是，我们发现所考虑的方法中没有一个能产生统计上公平且多样化的结果。所有实验均可使用我们提供的代码库复现。