暴露盲点：生成式图像模型中的文化偏见评估
计算机视觉与模式识别
2026-03-18 v2
摘要
生成式图像模型产生引人注目的视觉内容，却常常误represent 文化。现有工作主要关注文本到图像（T2I）系统，留下图像到图像（I2I）编辑器的偏见评估空白。我们通过六个国家、八类/36子类的模式和时代感知提示，构建了统一的评估框架，审计 T2I 生成和 I2I 编辑，采用标准化协议yield可比较的诊断结果。使用固定设置的开源模型，我们得出跨国家、跨时代和跨类别的评估结果。我们的框架结合了标准自动度量、文化感知检索增强型 VQA，以及来自母语评审者的专业人类判断。为实现可复现性，我们发布了完整的图像语料库、提示和配置。我们的研究揭示了三项发现：(1) 在国家中性提示下，模型默认呈现全球北方、现代倾向的描绘，压平了跨国家的差异；(2) 迭代式 I2I 编辑即使在常规度量保持平稳或改善时，也会削弱文化忠实性；(3) I2I 模型应用的是表面线索（调色板变化、通用道具），而非时代一致、情境感知的变化，常常保留源身份以服务于全球南方目标。这些结果突显了当前系统在文化敏感编辑方面的不可靠性。通过发布标准化数据、提示和人类评估协议，我们为诊断和跟踪生成式图像模型中的文化偏见提供了可复现、以文化为中心的基准。项目页面：https://seochan99.github.io/ECB
引用
@article{arxiv.2510.20042,
title = {Exposing Blindspots: Cultural Bias Evaluation in Generative Image Models},
author = {Huichan Seo and Sieun Choi and Minki Hong and Yi Zhou and Junseo Kim and Lukman Ismaila and Naome Etori and Mehul Agarwal and Zhixuan Liu and Jihie Kim and Jean Oh},
journal= {arXiv preprint arXiv:2510.20042},
year = {2026}
}
备注
28 pages, 8 figures. Accepted at IASEAI 2026