生成式人脸编辑方法的评估框架：质量、身份识别与数据混淆度

《Signal Processing: Image Communication》：An evaluation framework for generative face-editing methods: Quality, identity and disentanglement

Lilian Bour | Sébastien Bougleux | Christophe Charrier | Olivier Lézoray

• •
  我们提出了一个标准化的面部编辑模型评估框架，该框架涵盖了图像质量、身份保持和属性分离三个方面。该框架整合了基于全参考（SSIM、LPIPS、FID）和基于无参考（DiffQA(R)-AI-KD）的评估方法，同时还包含了身份保持和属性关联性的分析。
• •
  此外，我们还引入了用于量化身份保持程度、面部特征点变形情况以及属性之间关联性的指标，从而能够对生成式面部编辑模型进行全面评估。
• •
  我们将所提出的框架应用于StarGAN、VecGAN和DiffAE三个模型进行评估，结果发现较强的属性编辑操作往往会增加属性之间的关联性并降低身份保持效果，这指出了未来模型需要改进的关键领域。
• •
  我们的实验表明了带有偏见的训练数据对属性关联性评估的影响。例如，CelebA数据集主要由名人面孔组成，其中存在年龄和性别方面的偏见。这些偏见会影响到面部编辑模型的性能，限制了模型在代表性不足群体上的准确性和泛化能力。