FairFaceGAN：公平性感知的人脸图像到图像翻译
计算机视觉与模式识别
2020-12-03 v2
摘要
本文提出 FairFaceGAN，一种公平性感知的人脸图像到图像（Image-to-Image）翻译模型，缓解人脸属性编辑过程中受保护属性（如性别、年龄、种族）的非预期翻译问题。与现有模型不同，FairFaceGAN 利用两个分离的隐变量学习公平表示——一个与目标翻译属性相关，另一个与之无关。该策略使 FairFaceGAN 能够分离受保护属性信息与目标属性信息，并在编辑目标属性时防止受保护属性的非预期翻译。为评估公平程度，我们在 CelebA 数据集上进行了两类实验。首先，我们比较分别使用现有图像翻译方法与 FairFaceGAN 增广数据时的公平性感知分类性能。此外，我们提出一种新的公平性度量，即 Frechet Protected Attribute Distance (FPAD)，用于衡量受保护属性的保留程度。实验结果表明，FairFaceGAN 在公平性方面相较现有图像翻译模型有持续提升。进一步，我们也评估了图像翻译性能，FairFaceGAN 相较现有方法取得了具竞争力的结果。
引用
@article{arxiv.2012.00282,
title = {FairFaceGAN: Fairness-aware Facial Image-to-Image Translation},
author = {Sunhee Hwang and Sungho Park and Dohyung Kim and Mirae Do and Hyeran Byun},
journal= {arXiv preprint arXiv:2012.00282},
year = {2020}
}
备注
The 31st British Machine Vision Conference (BMVC 2020)