计算机视觉中的公平性与偏差缓解：综述

计算机视觉系统在过去二十年间由于该领域的多项突破而取得了快速进展。随着这些系统日益被部署在高风险的实际应用中，有迫切需要确保它们不传播或放大历史或人类策划数据中的任何歧视倾向，或不慎从虚假关联中学习偏差。本文 presented a comprehensive survey on fairness that summarizes and sheds light on ongoing trends and successes in the context of computer vision. 我们讨论的主题包括 1) 从更广泛的公平机器学习文献及相邻学科中提取的公平性的来源与技术定义。2) 旨在发现和分析计算机视觉系统中偏差的工作。3) 最近几年用于缓解计算机视觉系统中偏差的方法的概述。4) 研究人员为衡量、分析和缓解偏差、提升公平性而产生的资源与数据集的全面总结。5) 讨论该领域的成功情况、多模态基础模型和生成模型中的持续趋势，以及仍需解决的空白。所呈现的表征应帮助研究人员理解在计算机视觉中识别和缓解偏差的重要性，以及该领域的最新进展，从而确定未来研究的潜在方向。