图像生成偏差：一条通向准确且无偏见图像生成的道路

本文探讨了先进文本到图像模型在准确呈现罕见或缺失于其训练数据集中的非常规概念方面的局限性。我们识别出这些局限性不仅限制了这些模型的创造潜力，还可能加强刻板印象的风险。为应对这些挑战，我们引入了 Inpaint Biases 框架，采用用户定义的掩码和填充技术来提高图像生成的准确性，尤其是针对新颖或误渲染的物体。通过实验验证，我们展示了该框架如何显著提升生成图像与用户意图之间的忠实度，从而扩展了模型的创造能力并缓解了延续偏见的风险。我们的研究推动了文本到图像模型作为无偏见、通用创作工具的发展。