論文の概要: A Framework for Benchmarking Fairness-Utility Trade-offs in Text-to-Image Models via Pareto Frontiers

• arxiv url: http://arxiv.org/abs/2508.16752v1
• Date: Fri, 22 Aug 2025 19:09:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.161231
• Title: A Framework for Benchmarking Fairness-Utility Trade-offs in Text-to-Image Models via Pareto Frontiers
• Title（参考訳）: パレートフロンティアを用いたテキスト・画像モデルにおけるフェアネス・ユーティリティトレードオフのベンチマークのためのフレームワーク
• Authors: Marco N. Bochernitsan, Rodrigo C. Barros, Lucas S. Kupssinskü,
• Abstract要約: テキスト・ツー・イメージ・モデルにおける公平性と有用性を評価する手法を提案する。 提案手法では, 有効性と逆の妥当性を最適化する構成について概説する。
• 参考スコア（独自算出の注目度）: 1.6516902135723865
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Achieving fairness in text-to-image generation demands mitigating social biases without compromising visual fidelity, a challenge critical to responsible AI. Current fairness evaluation procedures for text-to-image models rely on qualitative judgment or narrow comparisons, which limit the capacity to assess both fairness and utility in these models and prevent reproducible assessment of debiasing methods. Existing approaches typically employ ad-hoc, human-centered visual inspections that are both error-prone and difficult to replicate. We propose a method for evaluating fairness and utility in text-to-image models using Pareto-optimal frontiers across hyperparametrization of debiasing methods. Our method allows for comparison between distinct text-to-image models, outlining all configurations that optimize fairness for a given utility and vice-versa. To illustrate our evaluation method, we use Normalized Shannon Entropy and ClipScore for fairness and utility evaluation, respectively. We assess fairness and utility in Stable Diffusion, Fair Diffusion, SDXL, DeCoDi, and FLUX text-to-image models. Our method shows that most default hyperparameterizations of the text-to-image model are dominated solutions in the fairness-utility space, and it is straightforward to find better hyperparameters.
• Abstract（参考訳）: テキストから画像生成における公平性を達成するためには、視覚的忠実さを損なうことなく、社会的偏見を緩和する必要がある。 テキスト・ツー・イメージモデルの現在の公正性評価手順は質的判断や狭小比較に依存しており、これらのモデルにおける公平性と有用性の両方を評価する能力を制限するとともに、デバイアスの再現可能な評価を防止することができる。 既存のアプローチでは、エラーが発生し、複製が困難である、アドホックで人間中心の視覚検査が一般的である。 本稿では,デバイアスの過度パラメトリゼーションによるパレート最適フロンティアを用いたテキスト・画像モデルの公平性と有用性を評価する手法を提案する。 提案手法では,テキストと画像の異なるモデルの比較が可能であり,各ユーティリティと逆変換の公平性を最適化するすべての構成を概説する。 評価手法を説明するために,正準シャノンエントロピーとClipScoreをそれぞれフェアネスと実用性評価に用いた。 安定拡散, 公正拡散, SDXL, DeCoDi, FLUXテキスト・ツー・イメージモデルにおける公平性と有用性を評価する。 本手法は,テキスト・ツー・イメージ・モデルのデフォルトのハイパーパラメータ化がフェアネス・ユーティリティ・スペースにおいて支配的なソリューションであることを示し,より優れたハイパーパラメータを求めることは容易である。

関連論文リスト

• A Meaningful Perturbation Metric for Evaluating Explainability Methods [55.09730499143998]
  本稿では,画像生成モデルを用いて標的摂動を行う新しい手法を提案する。 具体的には,画像の忠実さを保ちながら,入力画像の高関連画素のみを塗布し,モデルの予測を変更することに焦点を当てる。 これは、しばしばアウト・オブ・ディストリビューションの修正を生み出し、信頼できない結果をもたらす既存のアプローチとは対照的である。
  論文  参考訳（メタデータ） (2025-04-09T11:46:41Z)
• CTSR: Controllable Fidelity-Realness Trade-off Distillation for Real-World Image Super Resolution [52.93785843453579]
  実世界の画像超解像は、2つの重要な評価基準が元の画像への忠実さと生成された結果の視覚的現実性である、重要な画像処理タスクである。 本稿では,複数の教師モデルの性能上の利点とともに,忠実度と現実性の両方を幾何学的に分解する蒸留方式を提案する。 いくつかの実世界の画像超解像ベンチマークで行った実験により,本手法が既存の最先端手法を超越していることが証明された。
  論文  参考訳（メタデータ） (2025-03-18T14:06:39Z)
• On the Fairness, Diversity and Reliability of Text-to-Image Generative Models [68.62012304574012]
  マルチモーダル生成モデルは 信頼性 公正性 誤用の可能性について 批判的な議論を巻き起こしました 埋め込み空間におけるグローバルおよびローカルな摂動に対する応答を解析し、モデルの信頼性を評価するための評価フレームワークを提案する。 提案手法は, 信頼できない, バイアス注入されたモデルを検出し, 組込みバイアスの証明をトレースするための基礎となる。
  論文  参考訳（メタデータ） (2024-11-21T09:46:55Z)
• Bias Begets Bias: The Impact of Biased Embeddings on Diffusion Models [0.0]
  テキスト・トゥ・イメージ(TTI)システムは、社会的偏見に対する精査が増加している。 組込み空間をTTIモデルのバイアス源として検討する。 CLIPのような偏りのあるマルチモーダル埋め込みは、表現バランスの取れたTTIモデルに対して低いアライメントスコアをもたらす。
  論文  参考訳（メタデータ） (2024-09-15T01:09:55Z)
• Text-to-Image Diffusion Models are Great Sketch-Photo Matchmakers [120.49126407479717]
  本稿では,ゼロショットスケッチに基づく画像検索(ZS-SBIR)のためのテキスト・画像拡散モデルについて検討する。 スケッチと写真の間のギャップをシームレスに埋めるテキストと画像の拡散モデルの能力。
  論文  参考訳（メタデータ） (2024-03-12T00:02:03Z)
• 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)
• FairGridSearch: A Framework to Compare Fairness-Enhancing Models [0.0]
  本稿では、二項分類に焦点を当て、公平性向上モデルを比較するための新しいフレームワークであるFairGridSearchを提案する。 この研究は、FairGridSearchを3つの一般的なデータセット(Adult, COMPAS, German Credit)に適用し、計量選択、基底推定器の選択、分類しきい値がモデルフェアネスに与える影響を分析する。
  論文  参考訳（メタデータ） (2024-01-04T10:29:02Z)
• Fair Text-to-Image Diffusion via Fair Mapping [32.02815667307623]
  本稿では,事前学習したテキスト・画像拡散モデルを修正する,フレキシブルでモデルに依存しない,軽量なアプローチを提案する。 暗黙的言語バイアスの問題を効果的に解決することにより、より公平で多様な画像出力を生成する。
  論文  参考訳（メタデータ） (2023-11-29T15:02:01Z)
• Paired Image-to-Image Translation Quality Assessment Using Multi-Method Fusion [0.0]
  本稿では,画像品質の信号のペア化と変換を併用して,後者の類似性と仮説的基底真理を推定する手法を提案する。 我々は,深部画像構造とテクスチャ類似性(DISTS)を予測するために,勾配型回帰器のアンサンブルを用いたマルチメソッドフュージョン(MMF)モデルを訓練した。 分析の結果,測定時間と予測精度の間にトレードオフが生じ,特徴制約を課すことが判明した。
  論文  参考訳（メタデータ） (2022-05-09T11:05:15Z)

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。