为人脸验证任务设计和生成多样且平等的人脸图像数据集
计算机视觉与模式识别
2025-11-24 v1 人工智能
摘要
人脸验证是身份验证在 various 应用（包括在线银行和个人设备安全访问）中的重要组成部分。现有的大多数人脸图像数据集常常因种族、性别和其他人口统计特征而存在显著偏见，限制了人脸验证系统的有效性和公平性。针对这些挑战，我们提出了一种综合方法，集成先进的生成模型以创建多样且高质量的合成人脸图像。这一方法强调人脸特征的多样性表现，确保遵循身份证照片允许的特征。此外，我们引入了多样且包容的人脸验证数据集（DIF-V），包含27,780张926个独特身份证的图像，旨在作为人脸验证未来研究的基准。我们的分析表明，现有的验证模型对某些性别和种族存在偏见，特别是应用身份样式修改后会显著负面影响模型性能。通过解决现有数据集中固有的不平等问题，这一工作不仅丰富了关于人工智能中多样性和伦理的讨论，也为 developing 更具包容性和可靠的人脸验证技术奠定了基础。
引用
@article{arxiv.2511.17393,
title = {Designing and Generating Diverse, Equitable Face Image Datasets for Face Verification Tasks},
author = {Georgia Baltsou and Ioannis Sarridis and Christos Koutlis and Symeon Papadopoulos},
journal= {arXiv preprint arXiv:2511.17393},
year = {2025}
}