用于面部编辑的文本引导模型的大规模评估

面部外观编辑为 FaceApp 和 Photoshop 等流行应用程序提供支持。生成对抗网络 (GAN) 和 3D 可变形模型 (3DMM) 已广泛用于面部编辑。 GAN 可以执行各种面部编辑（例如，改变头发颜色、发型），但通常会产生不稳定的编辑。 3DMM 可以进行稳定的编辑，但只能改变姿势和面部表情。最近，像 Nano Banana 这样的文本引导扩散模型在图像编辑中变得很流行。文本引导模型是 GAN 和 3DMM 的有力替代品，因为它们可以生成稳定且多样化的图像编辑。虽然文本引导模型已经针对整个场景编辑进行了广泛测试（例如，“让女人弹吉他”），但它们尚未针对面部编辑进行全面测试。我们在顺序面部编辑任务上对六种流行的文本引导模型进行了首次大规模评估（评估了 $\sim1$M 图像）。我们推出 Face-Edit-Attributes，这是最大的 169 美元面部编辑属性集合，专注于头发、配饰和姿势编辑。我们使用两个流行的名人面部数据集：CelebA 和 CelebSET 来比较模型性能。我们的结果表明，大多数模特在头发和配饰编辑方面表现良好，但在编辑姿势方面却遇到了困难。所有模特都过度编辑（例如，当只要求改变发型时改变头发颜色）。我们还评估了每个模型中的人口统计偏差。我们的结果显示了过度编辑方面令人惊讶的偏差：几乎所有模型都对深色皮肤的男性面孔和老年面孔产生了更多的过度编辑。我们的结果的代码和数据（包括我们的 $\sim 1$M 图像存储库）可以访问 \href{https://github.com/rahul1801/Face-Edit-Bench}{\textcolor{blue}{here}}。