本研究提出了一种多阶段框架，以解决肤色、发色和虹膜颜色提取与分类的数据不足问题。通过先进成像技术和机器学习，该系统在不同光照条件下实现了最高80%的分类准确率，展示了人工智能在美容科技中的应用潜力。

本研究提出了一种新方法，通过规范化球谐函数系数和统计对齐，解决隐式3D可重光面部生成器在肤色一致性方面的问题，显著减少生成图像中的肤色偏差。

深度学习方法在远程生理信号估计方面表现出色。现有的远程光电容积脉搏图（rPPG）数据集缺乏多样性，导致现有方法的性能存在偏差。研究人员引入了一种新方法PhysFlow，通过使用条件化的归一化流增强远程心率估计中皮肤多样性。他们在公开数据集上验证了PhysFlow的能力，并展示了其在不同数据驱动rPPG方法中的多功能和适应性。

本研究提出了一种减轻文本到图像模型中社会偏见的方法，通过多样的文本提示和合成数据微调模型，提高了群体公平指标。模型生成具有感知肤色较暗和更多女性的图像。将公开发布所有代码。

该研究提出了一种名为PBNet的方法，用于乳腺肿瘤的超声图像分割。PBNet由多级全局感知模块（MGPM）和边界引导模块（BGM）组成。实验证明，PBNet在定性和定量评估方面优于现有方法，提高了Dice分数、Jaccard系数、特异性和HD95分数。割舍实验证明了MGPM对于区分非增强肿瘤以及BGM和BS损失对于优化肿瘤分割轮廓的帮助。