TrueSkin：面向公平与准确的皮肤色调识别与生成

皮肤色调识别与生成在模型公平性、医疗保健和生成式 AI 中发挥着重要作用，但由于缺乏全面且稳健的方法，仍面临挑战。与其他人类图像分析任务相比，最先进的大型多模态模型（LMM）和图像生成模型在识别和合成皮肤色调方面表现不佳。为此，我们引入 TrueSkin，一个包含 7299 张图片、系统性分为 6 类、在多样化的光照条件、摄像机角度和捕获设置下收集的数据集。使用 TrueSkin，我们对现有的识别和生成方法进行基准测试，发现存在显著偏见：LMM 倾向于将中间皮肤色调误分类为更亮的颜色，而生成式模型在受到与无关属性（如发型或环境背景）相关的偏见影响时，难以准确生成指定的皮肤色调。我们进一步表明，在 TrueSkin 上训练识别模型可使分类准确率提高超过 20%，而使用 TrueSkin 进行微调也显著提高了图像生成模型在皮肤色调保真度方面的表现。我们的发现凸显了像 TrueSkin 这样的全面数据集的重要性，这类数据集不仅作为评估现有模型的基准，还为增强皮肤色调识别与生成任务中的公平性和准确性提供了宝贵的训练资源。