SteerFace: mitigação de viés na geração de rostos sintéticos por perturbação residual adaptativa
Autores e instituições
Yuxi Mi
Fudan University, Shanghai, China
Qiuyang Yuan
Fudan University, Shanghai, China
Jianqing Xu
Youtu Lab, Tencent, Shanghai, China
Yichun Zhou
Fudan University, Shanghai, China
Xuan Zhao
Fudan University, Shanghai, China
Jun Wang
WeChat Pay Lab33, Tencent, Shenzhen, China
Rizen Guo
WeChat Pay Lab33, Tencent, Shenzhen, China
Shuigeng Zhou
Fudan University, Shanghai, China
Que problema resolve
O problema central é tratar gargalos de synthetic face data, face recognition training, bias mitigation em reconhecimento facial de forma avaliável para implantação real.
Resultado-chave
Os resultados destacam ganhos em precisão, eficiência, generalização ou explicabilidade, reduzindo risco de implantação.
Resumo
Este trabalho aborda “SteerFace: Debiasing Synthetic Face Generation via Adaptive Residue Perturbation” e examina synthetic face data, face recognition training, bias mitigation sob restrições próximas de produção. Os resultados ajudam a avaliar precisão, eficiência, generalização e confiabilidade.
Ponto de partida da pesquisa
A motivação é que synthetic face data, face recognition training, bias mitigation em reconhecimento facial afeta privacidade, custo, robustez ou experiência do usuário.
Método
A abordagem de “SteerFace: Debiasing Synthetic Face Generation via Adaptive Residue Perturbation” combina desenho de modelo, estratégia de treinamento ou otimização de sistema para aproximar a pesquisa de uma capacidade implantável.
Síntese do artigo
O SteerFace é útil porque trata a geração de rostos sintéticos como problema de qualidade de dados de treinamento, não apenas de realismo visual. Ao afastar embeddings de identidade de pistas visuais residuais não identitárias, ele ajuda a reduzir a lacuna entre dados sintéticos e reais antes do treino, o que importa para expansão de datasets em conformidade e auditoria de viés.