Computación evolutiva y redes neuronales generativas antagónicas para la generación multiatributos de imágenes faciales.

Abstract

Este proyecto de grado se enfoca en generar imágenes de rostros humanos mediante una Red Generativa Antagónica, con el propósito de crear imágenes realistas y minimizar sesgos. El objetivo principal del proyecto es desarrollar estrategias evolutivas que permitan explorar el espacio latente para producir rostros con características específicas de raza. Se implementa un algoritmo evolutivo multiobjetivo que guía la generación de rostros sintéticos evaluando la calidad de los resultados, considerando dos criterios principales: la correspondencia de la raza con un objetivo deseado y la capacidad de las imágenes generadas para ser reconocidas por DeepFace como la misma persona incluso cuando presentan variaciones en el atributo raza. Para reducir el sesgo racial en las imágenes generadas, se incorporan distintos operadores de mutación para la exploración del espacio latente y para mejorar la representación de distintos grupos raciales. A través de un hiperplano que separa rostros de diferentes grupos raciales, se incorpora el vector perpendicular a ese hiperplano. Este vector se utiliza para modificar un vector latente y orientarlo hacia una determinada raza, permitiendo un mayor control sobre las características de las imágenes generadas. Se utiliza StyleGAN3 para la generación de rostros y DeepFace para el reconocimiento y análisis de los rostros, el cual compara la similitud entre las imágenes producidas y un rostro de referencia, verificando también que cumplan con la raza objetivo. Los resultados de los experimentos presentan que los operadores propuestos permiten una mejor exploración del espacio latente, reduciendo el sesgo presente en el modelo de StyleGAN3 y mejorando la diversidad de las muestras generadas. El enfoque evolutivo implementado mostró ser capaz de generar rostros de raza negra y, en particular, logró vencer el sesgo hacia rostros de hombres blancos adultos.