FairStyle：通过风格通道操作对 StyleGAN2 去偏
计算机视觉与模式识别
2022-02-15 v1 机器学习
摘要
生成对抗网络的最新进展表明，生成高分辨率、超真实图像已成为可能。然而，GAN 生成的图像是否公平和具有代表性，仅取决于其训练数据集。本文提出一种直接修改预训练 StyleGAN2 模型的方法，可用于生成在某一（如眼镜）或多个（如性别与眼镜）属性上均衡的图像集合。我们的方法利用 StyleGAN2 模型的风格空间，对需去偏的目标属性进行解耦控制。该方法无需训练额外模型，直接对 GAN 模型去偏，为其在各类下游应用中的使用铺平道路。实验表明，我们的方法能在几分钟内成功对 GAN 模型去偏，且不损害生成图像的质量。为促进公平生成模型，我们在 http://catlab-team.github.io/fairstyle 分享了代码与去偏模型。
引用
@article{arxiv.2202.06240,
title = {FairStyle: Debiasing StyleGAN2 with Style Channel Manipulations},
author = {Cemre Karakas and Alara Dirik and Eylul Yalcinkaya and Pinar Yanardag},
journal= {arXiv preprint arXiv:2202.06240},
year = {2022}
}