面向生成式 AI 的公平且稳健人脸解析：多目标方法
计算机视觉与模式识别
2025-02-10 v1 人工智能
摘要
人脸解析是计算机视觉中的基础任务，使身份验证、面部编辑和可控图像合成等应用成为可能。然而，现有人脸解析模型往往缺乏公平性和稳健性，导致跨人口学群体的分段偏见以及在遮挡、噪声和域迁移情况下的错误。这些局限会影响下游人脸合成，其中分段偏见会降低生成模型的输出质量。我们提出了一种多目标学习框架，在人脸解析中优化准确性、公平性和稳健性。该方法引入一种仿射函数损失函数，在训练期间动态调整这些目标的重要性。为评估其影响，我们将多目标和单目标 U-Net 模型用于基于 GAN 的人脸合成管道（Pix2PixHD）。我们的结果表明，公平性感知和稳健分段可提高人脸合成的真实感和一致性。此外，我们针对 ControlNet——一种用于基于扩散模型的合成的结构化条件模型——进行了初步实验，以探讨分段质量如何影响引导图像生成。我们的发现表明，多目标人脸解析提高了人口学一致性和稳健性，导致更高质量的 GAN 合成。
引用
@article{arxiv.2502.04391,
title = {Towards Fair and Robust Face Parsing for Generative AI: A Multi-Objective Approach},
author = {Sophia J. Abraham and Jonathan D. Hauenstein and Walter J. Scheirer},
journal= {arXiv preprint arXiv:2502.04391},
year = {2025}
}