論文の概要: Sampling Strategies for Mitigating Bias in Face Synthesis Methods
- arxiv url: http://arxiv.org/abs/2405.11320v1
- Date: Sat, 18 May 2024 15:30:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-21 18:18:48.627810
- Title: Sampling Strategies for Mitigating Bias in Face Synthesis Methods
- Title(参考訳): 顔合成法におけるバイアス緩和のためのサンプリング手法
- Authors: Emmanouil Maragkoudakis, Symeon Papadopoulos, Iraklis Varlamis, Christos Diou,
- Abstract要約: 本稿では,Flickr Faces データセット HQ で訓練されたStyleGAN2 生成モデルのバイアスについて検討する。
我々は、性別と年齢という2つの保護された属性に注目し、ランダムにサンプリングされた画像が、非常に若く、非常に高齢なグループや、女性の顔に対して分布することを明らかにする。
- 参考スコア(独自算出の注目度): 12.604667154855532
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Synthetically generated images can be used to create media content or to complement datasets for training image analysis models. Several methods have recently been proposed for the synthesis of high-fidelity face images; however, the potential biases introduced by such methods have not been sufficiently addressed. This paper examines the bias introduced by the widely popular StyleGAN2 generative model trained on the Flickr Faces HQ dataset and proposes two sampling strategies to balance the representation of selected attributes in the generated face images. We focus on two protected attributes, gender and age, and reveal that biases arise in the distribution of randomly sampled images against very young and very old age groups, as well as against female faces. These biases are also assessed for different image quality levels based on the GIQA score. To mitigate bias, we propose two alternative methods for sampling on selected lines or spheres of the latent space to increase the number of generated samples from the under-represented classes. The experimental results show a decrease in bias against underrepresented groups and a more uniform distribution of the protected features at different levels of image quality.
- Abstract(参考訳): 合成生成された画像は、メディアコンテンツの作成や、画像解析モデルをトレーニングするためのデータセットの補完に使用することができる。
近年,高忠実度顔画像の合成法がいくつか提案されているが,そのような手法がもたらす潜在的なバイアスは十分に対処されていない。
本稿では,Flickr Faces HQデータセット上で訓練されたStyleGAN2生成モデルがもたらすバイアスについて検討し,生成した顔画像の属性の表現のバランスをとるための2つのサンプリング手法を提案する。
我々は、性別と年齢という2つの保護された属性に注目し、ランダムにサンプリングされた画像が、非常に若く、非常に高齢なグループや、女性の顔に対して分布することを明らかにする。
これらのバイアスは、GIQAスコアに基づいて、画像品質の異なるレベルについても評価される。
バイアスを軽減するために,潜在空間の選択した線や球面をサンプリングする2つの方法を提案する。
実験結果から, 画像品質の異なるグループに対する偏見の低下と, 保護された特徴のより均一な分布が認められた。
関連論文リスト
- Conditional Distribution Modelling for Few-Shot Image Synthesis with Diffusion Models [29.821909424996015]
少ないショット画像合成は、いくつかの例画像のみを使用して、斬新なカテゴリの多彩で現実的な画像を生成する。
本研究では,ディフュージョンモデルを利用した条件分布モデル (CDM) を提案する。
論文 参考訳(メタデータ) (2024-04-25T12:11:28Z) - Benchmarking the Fairness of Image Upsampling Methods [29.01986714656294]
本研究では,条件付き生成モデルの性能と公平性を示す指標のセットを開発する。
私たちは彼らの不均衡と多様性をベンチマークします。
この研究の一環として、データセットのサブセットは、一般的な顔の人種分布を再現する。
論文 参考訳(メタデータ) (2024-01-24T16:13:26Z) - Unbiased Image Synthesis via Manifold Guidance in Diffusion Models [9.531220208352252]
拡散モデルは、しばしば必然的に特定のデータ属性を好ましくし、生成された画像の多様性を損なう。
我々は,DDPMにおけるバイアス問題を緩和する最初の教師なし手法であるManifold Smpling Guidanceというプラグアンドプレイ手法を提案する。
論文 参考訳(メタデータ) (2023-07-17T02:03:17Z) - FewGAN: Generating from the Joint Distribution of a Few Images [95.6635227371479]
本稿では,新しい,高品質で多様な画像を生成するための生成モデルFewGANを紹介する。
FewGANは、第1の粗いスケールで量子化を適用した階層的なパッチGANであり、その後、より微細なスケールで残った完全畳み込みGANのピラミッドが続く。
大規模な実験では、FewGANは定量的にも定性的にも基線より優れていることが示されている。
論文 参考訳(メタデータ) (2022-07-18T07:11:28Z) - Saliency Grafting: Innocuous Attribution-Guided Mixup with Calibrated
Label Mixing [104.630875328668]
ミックスアップスキームは、強化されたトレーニングサンプルを作成するために、サンプルのペアを混ぜることを提案する。
両世界のベストを捉えた、斬新だがシンプルなミックスアップ版を提示する。
論文 参考訳(メタデータ) (2021-12-16T11:27:48Z) - Unravelling the Effect of Image Distortions for Biased Prediction of
Pre-trained Face Recognition Models [86.79402670904338]
画像歪みの存在下での4つの最先端深層顔認識モデルの性能評価を行った。
我々は、画像歪みが、異なるサブグループ間でのモデルの性能ギャップと関係していることを観察した。
論文 参考訳(メタデータ) (2021-08-14T16:49:05Z) - Jo-SRC: A Contrastive Approach for Combating Noisy Labels [58.867237220886885]
Jo-SRC (Joint Sample Selection and Model Regularization based on Consistency) というノイズロバスト手法を提案する。
具体的には、対照的な学習方法でネットワークをトレーニングする。
各サンプルの2つの異なるビューからの予測は、クリーンまたは分布不足の「可能性」を推定するために使用されます。
論文 参考訳(メタデータ) (2021-03-24T07:26:07Z) - An Unsupervised Sampling Approach for Image-Sentence Matching Using
Document-Level Structural Information [64.66785523187845]
教師なし画像文マッチングの問題に焦点をあてる。
既存の研究では、文書レベルの構造情報を用いて、モデルトレーニングの正および負のインスタンスをサンプリングする方法が検討されている。
そこで本研究では,追加の文書内画像-文対を正あるいは負のサンプルとして選択する新しいサンプリング手法を提案する。
論文 参考訳(メタデータ) (2021-03-21T05:43:29Z) - Doubly Contrastive Deep Clustering [135.7001508427597]
本稿では、サンプルビューとクラスビューの両方でコントラスト損失を構築する新しい二重コントラストディープクラスタリング(DCDC)フレームワークを紹介します。
具体的には、サンプルビューに対して、元のサンプルとその拡張バージョンのクラス分布を正のサンプルペアとして設定する。
クラスビューでは、クラスのサンプル分布から正のペアと負のペアを構築します。
このように、2つのコントラスト損失は、サンプルとクラスレベルでのミニバッチサンプルのクラスタリング結果をうまく制限します。
論文 参考訳(メタデータ) (2021-03-09T15:15:32Z) - Improving the Fairness of Deep Generative Models without Retraining [41.6580482370894]
GAN(Generative Adversarial Networks)は、観測データの基盤となる分布を学習し、顔合成を進める。
高品質な生成顔にもかかわらず、一部の少数グループはバイアス画像生成プロセスのためにトレーニングされたモデルから生成されることは稀である。
アウトプット顔面特性を再訓練することなくバランスをとるための解釈可能なベースライン法を提案する。
論文 参考訳(メタデータ) (2020-12-09T03:20:41Z) - One-Shot Domain Adaptation For Face Generation [34.882820002799626]
本稿では,与えられた一発例と同じ分布に陥る顔画像を生成するフレームワークを提案する。
出力の高レベル分布を目標にシフトするために,モデルの重みを迅速に適応させる反復最適化手法を開発した。
同じ分布の画像を生成するために,ターゲットからランダムに生成した顔へ低レベル統計を転送するスタイルミキシング手法を提案する。
論文 参考訳(メタデータ) (2020-03-28T18:50:13Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。