消除一切偏见：扩散模型中无需监督的多样性公平性

尽管扩散模型可以生成高质量的图像，但它们也会在训练数据中重现并放大人口统计不平衡。在后训练消除其生成过程的偏差。一些敏感属性通常依赖于分类器指导或显式文本额外条件，但这降低了方法的适用性和输出多样性。相反，仅促进多样性的方法并不能确保公平的属性表示。在本文中，我们提出了一种共同解决公平性和多样性的方法，该方法通常适用于任何扩散模型和任何敏感属性。为此，适配器将冻结扩散模型连接到预先训练的视觉语言嵌入空间，从而无需敏感属性注释即可实现公平和多样性指导。为了公平起见，成对的文本提示定义了属性方向，引导批次合成达到特定的比例。为了多样性，我们引入了一个分数来衡量从这种表示得出的语义估计之间的分歧。该公式支持无条件和文本条件扩散模型，同时不需要敏感属性的先验知识或数据。实验证实，我们的方法在可比较的公平性水平上提高了质量和多样性得分。