Is thermography a viable solution for detecting pressure injuries in dark skin patients?
Emory University（埃默里大学）
本文提出一种基于热成像的深度学习方法，通过构建包含35名参与者的多协议热成像与光学数据集，验证了基于热成像的CNN在深色皮肤压力性损伤检测中对不同数据采集协议具有鲁棒性。
2024-11-15 cs.AI cs.CV
Towards Transparency in Dermatology Image Datasets with Skin Tone Annotations by Experts, Crowds, and an Algorithm
MIT Media Lab（麻省理工学院媒体实验室）；Stanford University（斯坦福大学）；Northeast Dermatology Associates（东北皮肤病协会）；Banner Health（班纳健康）
虽然人工智能（AI）有望支持医疗保健提供者并提高医疗诊断的准确性，但数据集组成缺乏透明度，使AI模型可能会出现无意和可避免的错误。特别地，皮肤病状况的公共和私人图像数据集很少包括关于皮肤颜色的信息。作为提高透明度的一个开始，人工智能研究人员已经将Fitzpatrick皮肤类型（FST）的使用从患者光敏性的测量方法，转移到计算机视觉应用（包括面部识别和皮肤病诊断）的算法审计中估计肤色的测量方法。为了了解图像上估计的FST注释的可变性，我们比较了几种FST注释方法对教科书和在线皮肤病学地图集的460张皮肤状况图像的不同组合。我们发现，三个委员会认证的皮肤科医生之间的评分员之间的可靠性是可比的委员会认证的皮肤科医生和两个众包方法之间的评分员之间的可靠性。相比之下，我们发现，个人类型学角度转换为FST（ITA-FST）的方法产生的注释，是显着不相关的专家的注释比专家的注释相互关联。这些结果表明，基于ITA-FST的算法对于注释大规模图像数据集是不可靠的，但是以人为中心的、基于人群的协议可以可靠地将皮肤类型透明度添加到皮肤病学数据集。此外，我们还引入了动态共识协议的概念，这些协议具有可调参数，包括专家评审，可以提高众包的可见性，并为未来大型图像数据集的众包注释提供指导。
2022-07-06 cs.CV cs.HC cs.LG
Disparities in Dermatology AI Performance on a Diverse, Curated Clinical Image Set
Stanford School of Medicine（斯坦福大学医学院）；Stanford University（斯坦福大学）；Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心）；Keio University School of Medicine（庆应义塾大学医学院）；Chan-Zuckerberg Biohub（陈-扎克伯格生物中心）
获得皮肤病护理是一个主要问题，全球估计有30亿人无法获得护理。人工智能（AI）可以帮助分类皮肤病。然而，大多数AI模型尚未在不同肤色或罕见疾病的图像上进行严格评估。为了确定在这种情况下算法性能的潜在偏差，我们策划了多样化的皮肤病学图像（DDI）数据集-第一个公开可用的，专业策划的，病理证实的不同肤色的图像数据集。使用这个包含656张图像的数据集，我们发现最先进的皮肤病学AI模型在DDI上的表现要差得多，与模型的原始测试结果相比，受试者操作曲线曲线下面积（ROC-AUC）下降了27- 36%。所有模型在深色肤色和不常见疾病上的表现都较差，这些都在DDI数据集中表示。此外，我们发现，通常为人工智能训练和测试数据集提供视觉标签的皮肤科医生在深色肤色和不常见疾病的图像上的表现也比地面真实活检注释差。最后，在特征鲜明且多样化的DDI图像上微调AI模型，缩小了浅色和深色肤色之间的性能差距。此外，针对不同肤色进行微调的算法在识别深色肤色图像上的恶性肿瘤方面优于皮肤科医生。我们的研究结果确定了皮肤病学AI的重要弱点和偏见，需要解决这些问题，以确保可靠地应用于各种患者和疾病。
2022-03-15 cs.AI cs.CV cs.LG
Color Invariant Skin Segmentation
Virginia Tech（弗吉尼亚理工大学）；Virginia Tech Transportation Institute（弗吉尼亚理工交通研究所）
本文研究了在不依赖于颜色信息的情况下自动检测图像中的人体皮肤的问题。这项工作的主要动机是在整个肤色范围内实现一致的结果，即使使用的训练数据集明显偏向于较浅的肤色。以前的皮肤检测方法几乎完全使用颜色线索，我们提出了一种新的方法，在没有这些信息的情况下表现良好。这项工作的一个关键方面是通过在训练期间战略性地应用增强来修复数据集，目标是颜色不变特征学习以增强泛化。我们已经证明了使用两种架构的概念，实验结果表明，在基准ECU数据集中，大多数Fitzpatrick肤色的精度和召回率都有所提高。我们进一步使用RFW数据集测试了该系统，以表明所提出的方法在不同种族之间的表现更加一致，从而减少了基于肤色的偏见的机会。为了证明我们的工作的有效性，进行了广泛的实验，灰度图像以及图像下获得的无约束照明和人工过滤器。源代码：https://github.com/HanXuMartin/Color-Invariant-Skin-Segmentation
2022-04-22 cs.CV
Towards Measuring Fairness in AI: the Casual Conversations Dataset
Facebook AI
本文介绍了一种新的数据集，以帮助研究人员评估他们的计算机视觉和音频模型在不同年龄、性别、明显肤色和环境照明条件下的准确性。我们的数据集由3,011个主题组成，包含超过45,000个视频，平均每人15个视频。这些视频是在美国多个州录制的，有不同年龄、性别和肤色的成年人。一个关键的特点是，每个主题同意参加他们的肖像被使用。此外，我们的年龄和性别注释由受试者自己提供。一组受过训练的注释者使用Fitzpatrick皮肤类型量表标记受试者的明显肤色。此外，还提供了在低环境照明下记录的视频的注释。作为衡量某些属性的预测鲁棒性的应用程序，我们对DeepFake Detection Challenge（DFDC）的前五名获奖者进行了全面的研究。实验评估表明，获胜的模型在某些特定人群上的性能较差，例如肤色较深的受试者，因此可能无法推广到所有人。此外，我们还评估了最先进的表观年龄和性别分类方法。我们的实验从公平对待不同背景的人的角度对这些模型进行了全面的分析。
2021-11-03 cs.AI cs.CV cs.LG
Towards Racially Unbiased Skin Tone Estimation via Scene Disambiguation
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
虚拟面部化身将在沉浸式通信、游戏和虚拟世界中发挥越来越重要的作用，因此它们的包容性至关重要。这需要准确地恢复外观，以马多为代表，不分年龄、性别或种族。虽然在估计3D面部几何形状方面已经取得了重大进展，但面部几何形状估计受到的关注较少。这项任务从根本上说是模糊的，因为观察到的颜色是一个函数的亮度和照明，这两者都是未知的。我们发现，目前的方法偏向于浅肤色，这是由于（1）偏好较浅色素沉着的强烈偏向先验和（2）忽略光/暗模糊性的算法解决方案。为了解决这个问题，我们提出了一个新的评估数据集（FAIR）和一个算法（TRUST），以提高估计的公平性。具体来说，我们创建了第一个面部面部表情评估基准，其中受试者在肤色方面是平衡的，并使用个人类型学角度（ITA）度量来测量准确性。然后，我们通过建立一个关键的观察来解决光/光的模糊性：整个场景的图像-而不是面部的裁剪图像-包含有关照明的重要信息，可用于消除歧义。TRUST通过对人脸区域和从场景图像获得的全局光照信号两者进行调节来回归面部阴影。我们的实验结果表明，显着的改善相比，国家的最先进的方法，在准确性和公平性。评估基准和代码将在https://trust.is.tue.mpg.de上提供，以供研究之用。
2022-07-23 cs.CV
Disparities in Dermatology AI: Assessments Using Diverse Clinical Images
Stanford University（斯坦福大学）；Memorial Sloan Kettering（纪念斯隆凯特琳癌症中心）
超过30亿人缺乏皮肤病护理。人工智能诊断工具可能有助于早期皮肤癌检测;然而，大多数模型尚未在不同肤色或罕见疾病的图像上进行评估。为了解决这个问题，我们策划了多样化的皮肤病学图像（DDI）数据集-第一个公开的，病理证实的图像具有不同的肤色。我们发现，最先进的皮肤病学AI模型在DDI上的表现要差得多，与模型的原始结果相比，ROC-AUC下降了29- 40%。我们发现，深肤色和不常见的疾病，这是很好地表示在DDI数据集，导致性能下降。此外，我们表明，如果没有不同的训练数据，最先进的鲁棒训练方法无法纠正这些偏差。我们的研究结果确定了皮肤病学AI的重要弱点和偏见，需要解决这些问题，以确保可靠地应用于各种患者和所有疾病。
2021-11-15 cs.CV cs.LG eess.IV
Automated Disentangling Analysis of Skin Colour for Lesion Images
University of Waterloo（滑铁卢大学）
本文提出了一种皮肤颜色解构框架，通过学习结构化潜在空间，解决皮肤颜色差异导致的模型性能下降问题，并实现皮肤状况的反事实编辑和颜色转换。
2026-02-25 cs.CV eess.IV
Equitable Skin Disease Prediction Using Transfer Learning and Domain Adaptation
Virginia Tech（弗吉尼亚理工学院暨州立大学）；Dhaka University（达卡大学）
本文针对不同肤色皮肤疾病诊断不公平问题，提出融合多源预训练模型的迁移学习方法，并以Med-ViT结合HAM10000领域自适应，在DDI数据集上显著提升跨肤色皮肤疾病预测的鲁棒性与包容性。
2024-09-01 cs.AI cs.CV
A Skin-Tone-Aware Dual-Representation Remote Photoplethysmography Framework for Contactless Respiratory Rate Estimation
Indian Institute of Technology (IIT) Indore（印度理工学院印度尔分校）；University of Turku（图尔库大学）
提出一种肤色感知的动态RGB信号投影和去噪网络，结合欧拉与拉格朗日表示及相位无关对比损失，在RR-rPPG和COHFACE数据集上实现呼吸率估计，平均绝对误差降低42.1%。
2026-06-23 cs.CV eess.IV
Assessing the Generalizability of Deep Neural Networks-Based Models for Black Skin Lesions
Recod.ai Lab, Institute of Computing, University of Campinas, Brazil（Recod.ai实验室，计算学院，坎皮纳斯大学，巴西）
本文评估了深度神经网络在黑色人群皮肤病变图像上的表现，发现现有模型在黑色皮肤上泛化能力差，需开发专用模型以提升诊断效果。
2024-01-26 cs.CV
Improving the Accuracy of Beauty Product Recommendations by Assessing Face Illumination Quality
Amazon（亚马逊）
针对美妆产品推荐中面部照片光照条件差导致推荐质量下降的问题，提出基于CNN的光照评估框架，构建多样化合成数据集训练模型并开发用户引导工具，有效提升了粉底等产品的色号推荐准确性。
2023-09-07 cs.CV
The Casual Conversations v2 Dataset
Meta AI
本文介绍了一个新的大的同意驱动的数据集，旨在协助评估算法偏见和稳健性的计算机视觉和音频语音模型方面的11个属性，是自己提供的或标记的经过训练的注释。该数据集包括5，567名付费参与者的26，467个视频，平均每人近5个视频，记录在巴西，印度，印度尼西亚，墨西哥，越南，菲律宾和美国，代表不同的人口统计特征。参与者同意将他们的数据用于评估人工智能模型的公平性，并提供自我报告的年龄、性别、语言/方言、残疾状况、身体装饰、身体属性和地理位置信息，而训练有素的注释员则使用Fitzpatrick标记明显的肤色。皮肤类型和僧侣肤色量表以及音色。注释器还标记了不同的记录设置和每秒活动注释。
2023-03-08 cs.AI cs.CL cs.CV
Evaluating Deep Neural Networks Trained on Clinical Images in Dermatology with the Fitzpatrick 17k Dataset
MIT（麻省理工学院）；Harvard University（哈佛大学）；Scale（Scale公司）；Banner Health（班纳健康）；Northeast Dermatology Associates（东北皮肤科协会）
训练用于对皮肤状况的临床图像进行分类的深度神经网络模型的准确性如何随肤色而变化？虽然最近的研究表明，计算机视觉模型可以作为医疗保健中有用的决策支持工具，并在许多特定任务上提供皮肤科医生级别的分类，但深色皮肤在数据中的代表性不足。大多数公开可用的数据集不包括Fitzpatrick皮肤类型标签。我们使用Fitzpatrick皮肤类型标签对来自两个皮肤病学图谱的16，577张临床图像进行了注释，并将这些注释开源。基于这些标签，我们发现在这个数据集中，浅色皮肤类型的图像明显多于深色皮肤类型。我们训练了一个深度神经网络模型来对114种皮肤状况进行分类，发现该模型对与其训练的皮肤类型相似的皮肤类型最准确。此外，我们评估了识别肤色的算法方法，个人类型学角度，与人类标签团队注释的Fitzpatrick皮肤类型标签相比。
2021-04-20 cs.CV
Detecting Melanoma Fairly: Skin Tone Detection and Debiasing for Skin Lesion Classification
Newcastle University（纽卡斯尔大学）；Durham University（杜伦大学）
卷积神经网络在黑色素瘤和其他皮肤病变的分类方面已经表现出了人类水平的性能，但在广泛部署之前，应该解决不同肤色之间的明显性能差异。在这项工作中，我们提出了一个高效而有效的算法自动标记病变图像的肤色，并使用它来注释基准ISIC数据集。随后，我们使用这些自动化标签作为两个领先的偏见学习技术的目标，以减轻肤色偏见。我们的实验结果提供的证据表明，我们的肤色检测算法优于现有的解决方案，忘记肤色可以提高泛化能力，并可以减少黑色素瘤检测在较浅和较深的肤色之间的性能差距。
2022-07-29 cs.CV eess.IV
Beyond Skin Tone: A Multidimensional Measure of Apparent Skin Color
Sony AI（索尼人工智能）；The University of Tokyo（东京大学）
针对现有Fitzpatrick肤色量表仅衡量肤色深浅的局限，该研究引入色相角维度构建多维度肤色测量方法，可揭示更多肤色相关偏见，为计算机视觉公平性评估提供更全面的指标。
2023-10-03 cs.CV
Analysis of Manual and Automated Skin Tone Assignments for Face Recognition Applications
Florida Institute of Technology（佛罗里达理工学院）；University of Notre Dame（圣母大学）
新闻报道表明，较深的肤色会导致面部识别错误的增加。Fitzpatrick量表广泛用于皮肤病学，以分类对阳光照射和肤色的敏感性。在本文中，我们分析了一组手动Fitzpatrick皮肤类型分配，并采用个人类型学的角度来自动估计肤色的人脸图像。一组手动肤色评级实验表明，人类评级者之间存在难以消除的不一致性。自动肤色评级的努力表明，它是特别具有挑战性的图像收集没有校准对象的场景。然而，颜色校正后，自动和手动方法之间的协议水平被发现是96%或更好的MORPH图像。据我们所知，这是第一项工作：（a）检查不同观察者之间手动肤色评级的一致性，（b）记录即使在给出示例图像用于指导并且所有图像都经过颜色校正时，不同观察者对同一图像的评级也存在实质性差异，以及（c）比较手动与自动肤色评级。
2021-04-29 cs.CV
Mitigating Individual Skin Tone Bias in Skin Lesion Classification through Distribution-Aware Reweighting
University of Hull（赫尔大学）
本文提出基于分布的重加权方法，通过核密度估计和距离度量标准，缓解皮肤病变分类中的个体肤色偏见问题，提升医学影像分析的公平性。
2025-12-09 cs.AI cs.CV cs.LG
Revisiting Skin Tone Fairness in Dermatological Lesion Classification
Universitat de Barcelona（巴塞罗那大学）；IBM Research Africa（IBM非洲研究院）
本文比较 ISIC18 上四种基于 ITA 的肤色估计方法，发现既有研究结论高度不一致且数据集多样性不足，并呼吁改进稳健估计与带标注多样化数据。
2023-08-18 cs.CV cs.CY cs.LG
True to Tone? Quantifying Skin Tone Fidelity and Bias in Photographic-to-Virtual Human Pipelines
PUCRS（南里奥格兰德天主教大学）；UNIT（蒂拉登特斯大学）；Kunumi Institute（Kunumi研究所）；INCT-SANI（国家科学与技术研究所-社会、自然与信息技术）
本文提出一种自动方法评估虚拟人类生成管道中的肤色保真度，通过整合肤色和光照提取、纹理重新着色、实时渲染和定量颜色分析，发现肤色提取策略对深肤色存在更高的色度误差。
2026-04-02 cs.CV
DistancePPG: Robust non-contact vital signs monitoring using a camera
RICE University（莱斯大学）
目前使用接触式探头测量脉搏率和呼吸率等生命体征。但是，用于测量生命体征的非接触方法在医院环境（例如，在NICU中）和无处不在的原位健康跟踪（例如，在具有网络摄像头的移动电话和计算机上）两者中都是期望的。最近，基于相机的非接触式生命体征监测已被证明是可行的。然而，基于相机的生命体征监测对于具有较暗肤色的人、在低光照条件下和/或在个人在相机前移动期间是具有挑战性的。在本文中，我们提出了distancepPG，一个新的基于摄像头的生命体征估计算法，解决了这些挑战。DistancePPG提出了一种新的方法，使用加权平均值将来自面部不同跟踪区域的肤色变化信号组合起来，其中权重取决于该区域中的血液灌注和入射光强度，以提高基于相机的估计的信噪比（SNR）。我们的主要贡献之一是一个新的自动方法，用于确定的权重仅基于视频记录的主题。使用distancepPG估计的基于相机的PPG的SNR的增益转化为生命体征估计中的误差的减少，并且因此将基于相机的生命体征监测的范围扩展到潜在的具有挑战性的场景。此外，还将发布一个数据集，包括在不同光照条件下和各种运动场景下，来自不同肤色的人的耳垂的基于面部和脉搏血氧计的地面实况记录的同步视频记录。
2015-03-24 cs.CV
SkinCon: A skin disease dataset densely annotated by domain experts for fine-grained model debugging and analysis
Stanford University（斯坦福大学）
对于在高风险环境（如医疗保健）中部署人工智能（AI），提供可解释性/可解释性或允许细粒度错误分析的方法至关重要。许多最近的方法的可解释性/可解释性和细粒度的错误分析使用的概念，这是元标签，语义上有意义的人类。然而，只有少数数据集包含概念级元标签，并且这些元标签中的大多数与不需要领域专业知识的自然图像相关。医学中的密集注释数据集集中在与黑色素瘤等单一疾病相关的元标签上。在皮肤病学中，皮肤病是使用已建立的临床词汇来描述的，该词汇允许临床医生相互描述体检结果。为了提供由领域专家密集注释的医学数据集，其中注释在多个疾病过程中有用，我们开发了SkinCon：一个由皮肤科医生密集注释的皮肤病数据集。SkinCon包括来自Fitzpatrick 17 k数据集的3230幅图像，其中密集注释了48个临床概念，其中22个至少有50幅图像代表该概念。使用的概念是由两名皮肤科医生考虑用于描述皮肤病变的临床描述性术语选择的。例子包括“斑块”、“水垢”和“侵蚀”。同样的概念也被用于标记来自Diverse Dermatology Images数据集的656张皮肤病图像，提供了一个具有不同肤色表示的额外外部数据集。我们回顾了SkinCon数据集的潜在应用，如探测模型，基于概念的解释和概念瓶颈。此外，我们使用SkinCon来演示其中的两个用例：使用概念调试现有皮肤病学AI模型的错误，以及使用事后概念瓶颈模型开发可…
2023-02-01 cs.AI cs.CV
SkinMap: Weighted Full-Body Skin Segmentation for Robust Remote Photoplethysmography
Sharif University of Technology（沙里夫大学）
本文提出SkinMap，一种加权全身皮肤分割技术，通过优先选择皮肤区域并去除干扰部位，提升远程光电容积描记在运动和复杂条件下的心率监测鲁棒性，并在新数据集SYNC-rPPG上验证了其有效性。
2025-10-06 cs.CV eess.IV
TrueSkin: Towards Fair and Accurate Skin Tone Recognition and Generation
Topaz Labs（Topaz实验室）
TrueSkin通过系统化的皮肤色调数据集，提升模型在公平性和准确性上的表现，验证了其在识别和生成任务中的有效性。
2026-02-28 cs.CV
Colorimeter-Supervised Skin Tone Estimation from Dermatoscopic Images for Fairness Auditing
Faculty of Electrical Engineering, Computer Science and Information Technology Osijek, Josip Juraj Strossmayer University of Osijek（奥西杰克大学电子工程、计算机科学与信息科技学院）
本文提出基于神经网络的皮肤病图像肤色估计方法，通过色度仪验证，首次实现了对不同肤色群体性能差异的公平性审计。
2026-02-10 cs.CV
Disease Burden over Skin Tone: Decomposing the Dermatology-AI Generalization Gap
Tribhuvan University（特里布万大学）；North Carolina A&T State University（北卡罗来纳农工州立大学）；Aalto University（阿尔托大学）；Auburn University（奥本大学）
该研究分解皮肤病学AI的泛化差距，发现疾病分布偏移比肤色影响更大，提出皮肤病预训练特征的可转移性更强，轻量适应仅需少量标记示例即可恢复性能，并发布评估协议与代码。
2026-09-03 cs.AI cs.CV cs.LG
Comparison between EM and FCM algorithms in skin tone extraction
Shahid chamran university of Ahvaz（阿瓦士沙希德·查姆兰大学）
本研究的目的是探讨如何实现EM和FCM算法的肤色提取。三个著名的颜色空间，即RGB，HSV和YCbCr的肤色提取的能力进行评估，通过使用EM和FCM算法的肤色的统计建模。结果表明，当颜色向量的所有三个分量都被使用时，使用EM算法利用高斯混合模型进行肤色的参数化建模在HSV颜色空间中工作得很好。EM算法虽然丢弃了YCbCr和HSV颜色空间中的亮度分量，但仍提供了最佳结果。详细比较的结果在结论中解释。
2022-11-18 cs.CV eess.IV
FACET: Fairness in Computer Vision Evaluation Benchmark
Meta AI Research, FAIR（Meta人工智能研究院（FAIR））
提出FACET基准，含32k图像及专家标注，用于评估计算机视觉模型在性别、肤色等人口属性上的性能差异，发现分类、检测等任务存在不公平现象，以促进公平稳健的模型发展。
2023-08-31 cs.AI cs.CV
Hi5: Synthetic Data for Inclusive, Robust, Hand Pose Estimation
Department of Computer Science, University of Rochester（罗切斯特大学计算机科学系）；Ministry of Defense, KSA（沙特阿拉伯国防部）
Hi5通过生成高保真的合成数据，解决真实数据多样性不足的问题，提升手姿估计的包容性和鲁棒性。
2026-01-16 cs.CV cs.GR cs.LG
PhysFlow: Skin tone transfer for remote heart rate estimation through conditional normalizing flows
Pompeu Fabra University（庞培法布拉大学）；Seedtag
PhysFlow提出一种基于条件归一化流的肤色增强方法，通过端到端训练和CIELAB肤色特征条件化，缓解rPPG数据集中深肤色样本不足导致的偏差，并在UCLA-rPPG和MMPD数据集上验证了降低心率估计误差的效果。
2024-07-31 cs.CV
A Generative AI Approach for Reducing Skin Tone Bias in Skin Cancer Classification
University of Sheffield（谢菲尔德大学）；University of Chester（切斯特大学）
本文提出利用生成AI生成合成数据，以减少皮肤癌分类中的肤色偏见，提升诊断公平性。
2026-02-16 cs.CV
TrustSkin: A Fairness Pipeline for Trustworthy Facial Affect Analysis Across Skin Tone
Departamento de Física, Universidad de Tarapacá（物理系，塔拉帕卡大学）；Departamento de Ciencia de la Computación, Facultad de Ingeniería, Pontificia Universidad Católica de Chile（计算机科学系，工程学院，智利天主教大学）
本研究提出TrustSkin流程，比较ITA与H*-L*肤色分类方法，发现深肤色代表性不足及公平性差异，并整合感知肤色估计、可解释性与公平性评估以改进面部情感分析系统的公平性。
2025-05-27 cs.AI cs.CV
The Impact of Skin Tone Label Granularity on the Performance and Fairness of AI Based Dermatology Image Classification Models
School of Biomedical Engineering and Imaging Sciences, King's College London, UK（生物医学工程与成像科学学院，伦敦国王学院，英国）；Dermatology Department, Kings College Hospital NHS Foundation Trust, London, UK（皮肤科部门，国王学院医院国家健康服务信托基金，伦敦，英国）
本文研究了Fitzpatrick肤色量表粒度对AI皮肤病变分类模型性能与公平性的影响，发现FST特定数据训练的模型性能优于平衡数据模型，且降低粒度会损害性能，建议公平AI研究采用更能代表肤色多样性的替代量表。
2025-09-14 cs.CV
Skin Cancer Machine Learning Model Tone Bias
University of Bristol（布里斯托大学）；Jean Golding Institute（让·戈尔丁研究所）；Massachusetts Institute of Technology（麻省理工学院）；University of Alabama at Birmingham（阿拉巴马大学伯明翰分校）
本研究针对皮肤癌机器学习模型的肤色偏差问题，用ISIC档案的不平衡与平衡数据集训练深度卷积神经网络，发现两类数据集训练的模型差异性影响均低于0.80阈值，证实偏差存在且非肤色不平衡导致，为后续偏差治理提供依据。
2025-03-19 cs.AI cs.CV eess.IV
On the Role of Calibration in Benchmarking Algorithmic Fairness for Skin Cancer Detection
Northeastern University（东北大学）；Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心）
为解决AI皮肤癌检测模型在人口亚组间的性能差异问题，本文将校准作为AUROC公平性指标的补充基准，通过评估ISIC 2020挑战赛领先模型在两个数据集的亚组表现，揭示现有模型的校准缺陷，强调全面审计策略对公平医疗AI的必要性。
2025-11-10 cs.CV cs.LG eess.IV
An Unsupervised Approach towards Varying Human Skin Tone Using Generative Adversarial Networks
Indian Statistical Institute（印度统计研究所）
随着增强现实和虚拟现实的日益普及，零售商现在更加关注客户满意度，以增加销售额。虽然增强现实不是一个新概念，但在过去几年中，它已经获得了急需的关注。我们目前的工作是针对这一方向，可用于增强用户体验的各种虚拟和增强现实为基础的应用程序。我们提出了一个模型来改变一个人的肤色。给定一个人或一组人的任何输入图像，其具有指示皮肤颜色朝向白度或暗度的期望变化的某个值，该方法可以改变图像中的人的肤色。这是一种无监督的方法，并且在姿势、照明、图像中的人数等方面也不受约束。这项工作的目标是减少使用现有应用程序（例如，Photoshop）由专业人士或新手。为了建立这种方法的有效性，我们比较了我们的结果与一些流行的照片编辑器，也与一些现有的基准方法有关的人类属性操作的结果。在不同数据集上的严格实验表明，该方法在合成感知上令人信服的输出方面是有效的。
2020-10-30 cs.CV
Robust Sclera Segmentation for Skin-tone Agnostic Face Image Quality Assessment
针对人脸图像质量评估对人口统计因素敏感的问题，提出基于巩膜分割的鲁棒方法，利用巩膜颜色一致性产生不变特征，使FIQA算法对肤色、年龄和种族无关。
2023-12-22 cs.AI cs.CV
MMPD: Multi-Domain Mobile Video Physiology Dataset
Tsinghua University（清华大学）；University of Washington（华盛顿大学）
针对现有rPPG公共数据集缺乏手机录制数据、规模小且多样性不足的问题，研究者提出包含33人11小时录制内容、8类标签的多域移动视频生理数据集MMPD，经主流方法验证其可靠性，可助力该领域技术发展。
2023-05-01 cs.CV
Adapting Large Language Models to Mitigate Skin Tone Biases in Clinical Dermatology Tasks: A Mixed-Methods Study
Stanford University（斯坦福大学）；Algoverse AI Research（Algoverse人工智能研究）
本研究评估了SkinGPT-4在皮肤病诊断中的肤色偏见，并通过微调现有主干模型，在保持高准确率的同时显著提升了跨肤色的公平性。
2025-10-07 cs.CV cs.CY eess.IV
A Framework for Portrait Stylization with Skin-Tone Awareness and Nudity Identification
NAVER WEBTOON AI
本研究提出一种包含裸露内容识别模块（NCIM）和肤色感知人像风格化模块（STAPSM）的框架，有效过滤有害内容并保留肤色特征，已成功实际部署。
2024-03-21 cs.AI cs.CV
Fairness-Aware Grouping for Continuous Sensitive Variables: Application for Debiasing Face Analysis with respect to Skin Tone
Artefact Research Center, Paris, France（阿切夫特研究中心，法国巴黎）；Institut de Mathématiques de Toulouse (UMR 5219), CNRS, Université de Toulouse, F-31062 Toulouse, France（图卢兹数学研究所（UMR 5219），CNRS，图卢兹大学，法国图卢兹）；L’Oréal Research（欧莱雅研究）；INRIA, ANITI, France（INRIA，ANITI，法国）
针对连续敏感属性分组易忽视少数群体歧视的问题，提出基于组间歧视方差最大化的公平性分组方法，并在 CelebA 和 FFHQ 上验证其能揭示更细致歧视模式，通过逐组后处理提升公平性且对准确性影响极小。
2025-07-15 cs.CV cs.LG
Analyzing and Improving the Skin Tone Consistency and Bias in Implicit 3D Relightable Face Generators
Texas A&M University（德克萨斯农工大学）
本文针对隐式3D可重光照人脸生成中的肤色不一致与浅色偏向问题，分析其源于球谐系数偏差，并提出直流项归一化、频带统计对齐和光照幅值缩放策略以有效缓解偏差。
2024-11-18 cs.CV
Camera-Based Remote Physiology Sensing for Hundreds of Subjects Across Skin Tones
Tsinghua University（清华大学）
该研究分析含893名受试者、6种Fitzpatrick肤色的VitalVideo数据集，并比较多种无监督与监督rPPG方法，表明数百名受试者即可有效训练模型，同时凸显肤色多样性与一致性对跨数据集评估的重要性。
2024-04-07 cs.AI cs.CV
Reliability and Validity of Image-Based and Self-Reported Skin Phenotype Metrics
Maryland Test Facility（马里兰测试设施中心）；United States Department of Homeland Security, Science and Technology Directorate（美国国土安全部科学与技术局）
随着人脸识别系统越来越多地被采用，确保这些技术在人口统计学群体中的适当性能非常重要。最近，表型，如肤色，已被提出作为优越的替代传统的种族类别时，探索性能差异。然而，关于如何在生物识别性能评估或更广泛的人工智能中适当测量肤色，几乎没有共识。在这项研究中，我们探讨了从图像估计的面部面积亮度测量（CIMs）和使用旨在测量人类皮肤的设备收集的地面真实皮肤读数之间的关系。从同一个人的不同图像估计的COMM相对于地面实况COMM变化显着。这种变化只有通过更好地控制采集（相机、背景和环境）才能减少。接下来，我们比较了地面真实的皮肤类型（FST）类别，这些类别是使用标准的，亲自的，医学调查获得的，并显示FST对肤色的预测性很差。最后，我们将展示如何嘈杂的估计，导致错误的选择人口差异的解释因素。这些结果表明，肤色的生物性能评估的措施，必须来自客观的，特征化的，和受控的来源。此外，尽管这是当前实践的方法，但是从不受控制的图像估计FST类别和FRM并不提供肤色的适当测量。
2021-06-18 cs.CV eess.IV
Exploring the Impact of Skin Color on Skin Lesion Segmentation
School of Digital and Physical Sciences at the University of Hull（赫尔大学数字与物理科学学院）；Faculty of Electrical Engineering at the University of Sarajevo（萨拉热窝大学电气工程学院）
本文研究皮肤色调对皮肤病变分割的影响，通过评估三种分割模型并在两个数据集上进行测试，发现低对比度病变与分割误差相关，强调了处理低对比度病变的重要性。
2026-03-31 cs.AI cs.CV
Ask Me Again Differently: GRAS for Measuring Bias in Vision Language Models on Gender, Race, Age, and Skin Tone
Guru Gobind Singh Indraprastha University（古鲁·戈宾德·辛格印度教普拉斯塔大学）；AI Institute, University of South Carolina（南卡罗来纳大学人工智能研究所）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Indian Institute of Technology Patna, India（印度理工学院帕纳布分校）
GRAS用于评估视觉语言模型在性别、种族、年龄和肤色上的偏见，通过基准测试揭示了模型的偏见水平，并提出了可解释的偏见评分方法。
2026-01-26 cs.CV
Quality-guided Skin Tone Enhancement for Portrait Photography
Institute of Image Communication and Network Engineering, Shanghai Jiao Tong University（上海交通大学图像通信与网络工程研究所）；TRANSSION（传声科技）
针对现有基于学习的图像增强方法无法连续可控调整效果的问题，提出质量引导的肤色增强范式，通过学习不同质量评级的图像分布实现连续调整，经主观实验和自然raw图像测试验证了有效性与通用性。
2024-06-22 cs.CV
EdgeMixup: Improving Fairness for Skin Disease Classification and Segmentation
Johns Hopkins University（约翰斯·霍普金斯大学）
皮肤损伤可以是广泛的传染病和其他疾病的早期指标。使用深度学习（DL）模型诊断皮肤病变在帮助临床医生对患者进行预筛选方面具有很大的潜力。然而，这些模型经常学习训练数据中固有的偏差，这可能导致在诊断具有浅色和/或深色肤色的人时的性能差距。据我们所知，在识别（更不用说减少）皮肤病分类和分割中的模型偏差方面所做的工作有限。在本文中，我们研究DL公平性，并证明存在偏见的分类和分割模型的亚群与肤色较深的个人相比，肤色较浅，特定的疾病，包括莱姆病，Tumbles Corporis和带状疱疹。然后，我们提出了一种新的预处理，数据更改方法，称为EdgeMixup，以提高模型的公平性与输入皮肤病变图像和相应的预测边缘检测掩模的线性组合相结合的颜色饱和度改变。对于皮肤病分类任务，EdgeMixup优于更复杂的竞争方法，如对抗方法，实现了浅色和深色肤色样本之间准确性差距的10.99%减少，并导致代表性不足的亚群的性能提高8.4%。
2022-02-28 cs.AI cs.CV
Meta Balanced Network for Fair Face Recognition
Beijing University of Posts and Telecommunications（北京邮电大学）
尽管深度人脸识别近年来取得了令人印象深刻的进展，但基于肤色的歧视引起了争议，质疑其在现实世界中的部署。本文旨在从数据和算法两个方面对这种偏差进行系统而科学的研究。首先，使用皮肤科医生批准的Fitzpatrick皮肤类型分类系统和个人类型学角度，我们贡献了一个称为身份阴影（IDS）数据库的基准，该数据库有效地量化了现有人脸识别算法和商业API中肤色的偏差程度。此外，我们提供了两个肤色感知训练数据集，称为BUPT-Globalface数据集和BUPT-Balancedface数据集，以消除训练数据中的偏差。最后，为了减轻算法偏见，我们提出了一种新型的元学习算法，称为Meta Balanced Network（MBN），它在大幅度损失的情况下学习自适应余量，使得通过这种损失优化的模型可以在不同肤色的人群中表现得相当好。为了确定利润率，我们的方法优化了一个干净的和公正的Meta集上的Meta偏度损失，并利用向后向后自动微分执行当前利润率的二阶梯度下降步骤。大量的实验表明，MBN成功地减轻了偏见，并在人脸识别中为不同肤色的人学习更平衡的性能。建议的数据集可在http://www.whdeng.cn/RFW/index.html上获得。
2022-05-13 cs.CV
Enhancing Fairness in Skin Lesion Classification for Medical Diagnosis Using Prune Learning
University of Hull（赫尔大学）；Leeds Teaching Hospitals NHS Trust（利兹教学医院 NHS信托）
针对皮肤病变分类模型的肤色偏差问题，提出基于剪枝学习的公平性算法，通过计算网络特征偏度去除肤色相关冗余通道，在降本缩模的同时提升诊断公平性与实用性。
2025-08-31 cs.AI cs.CV cs.CY
Generalizability and Application of the Skin Reflectance Estimate Based on Dichromatic Separation (SREDS)
本研究分析SREDS肤色度量的泛化性，证明其可作为种族标签的替代，在隐私保护学习中性能损失极小，并开源实现。
2023-09-03 cs.CV eess.IV
Are generative models fair? A study of racial bias in dermatological image generation
Instituto Universitario de Investigación en Tecnología Centrada en el Ser Humano, Universitat Politècnica de València（瓦伦西亚理工大学 以人为本技术大学研究所）；Technical University of Denmark（丹麦技术大学）
本文用带感知损失的VAE和Fitzpatrick17k数据集评估皮肤图像生成的种族公平性，发现性能受肤色代表性影响且偏向浅肤色，不确定性估计也无法有效识别偏见。
2025-02-19 cs.CV
Predictive Inequity in Object Detection
Georgia Tech（佐治亚理工学院）
在这项工作中，我们调查国家的最先进的目标检测系统是否有公平的预测性能不同肤色的行人。这项工作的动机是最近的许多ML和视觉系统的例子显示出较高的出错率的某些人口群体比其他人。我们注释现有的大规模数据集，其中包含行人，BDD 100 K，Fitzpatrick肤色范围[1-3]或[4-6]。然后，我们对这两种肤色分组之间的性能进行了深入的比较分析，发现一天中的时间和遮挡都不能解释这种行为，这表明这种差异不仅仅是4-6范围内的行人出现在更难检测的场景中的结果。我们调查了一天中的时间，遮挡和重新加权训练过程中的监督损失在多大程度上影响了这种预测偏差。
2019-02-21 cs.CV cs.LG stat.ML
DermaCon-IN: A Multi-concept Annotated Dermatological Image Dataset of Indian Skin Disorders for Clinical AI Research
Department of Artificial Intelligence, Indian Institute of Technology Hyderabad, India（人工智能系，印度理工学院海得拉巴学院，印度）；Indian Navy（印度海军）；Department of Dermatology, S R Patil Medical College, India（皮肤科系，S R Patil医学院，印度）；Department of Dermatology, S Nijalingappa Medical College, India（皮肤科系，S Nijalingappa医学院，印度）；Department of Dermatology, Sri Chamundeshwari Medical College, Hospital & Research, India（皮肤科系，Sri Chamundeshwari医学院，医院及研究，印度）；Indian Institute of Technology Hyderabad, India（印度理工学院海得拉巴学院，印度）
DermaCon-IN是一个包含印度皮肤疾病多概念标注的皮肤病图像数据集，用于临床AI研究，旨在提供可扩展且具有代表性的基础，推动皮肤病AI的发展。
2026-01-08 cs.CV eess.IV
