FairDiffusion：通过公平贝叶斯扰动提升潜在扩散模型的公平性
计算机视觉与模式识别
2025-04-08 v2 机器学习
摘要
尽管生成式AI，特别是扩散模型，在文本到图像合成方面取得了显著进展，但在医疗领域，这些模型在生成合成数据集和培训医学生方面具有巨大的潜力。然而，尽管这些模型表现出色，但是否在不同人口统计亚群之间保持一致的图像生成质量仍不明确。为此，本文提出首个全面研究医学文本到图像扩散模型的公平性问题。我们对流行的Stable Diffusion模型进行广泛评估，发现在性别、种族和民族方面存在显著差异。为缓解这些偏见，我们引入FairDiffusion，一种在图像生成质量及临床特征语义相关性方面均具有公平性的公平感知潜在扩散模型。此外，我们还设计并构建了FairGenMed，首个用于研究医学生成模型公平性的数据集。为进一步展示FairDiffusion在解决医学影像多样性公平性问题方面的有效性，我们在两个广泛使用的外部医学数据集上进行评估：HAM10000（皮肤镜图像）和CheXpert（胸部X光）图像。联合FairDiffusion和FairGenMed显著推动了公平生成学习研究的发展，促进了生成式AI在医疗保健领域的公平益处。
引用
@article{arxiv.2412.20374,
title = {FairDiffusion: Enhancing Equity in Latent Diffusion Models via Fair Bayesian Perturbation},
author = {Yan Luo and Muhammad Osama Khan and Congcong Wen and Muhammad Muneeb Afzal and Titus Fidelis Wuermeling and Min Shi and Yu Tian and Yi Fang and Mengyu Wang},
journal= {arXiv preprint arXiv:2412.20374},
year = {2025}
}
备注
Published in Science Advances (https://www.science.org/doi/full/10.1126/sciadv.ads4593). The data and code are made publicly available at https://github.com/Harvard-Ophthalmology-AI-Lab/FairDiffusion