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。

本研究分析了隐式3D可重光面部生成器在肤色一致性和偏差方面的问题，提出通过规范化球谐函数系数的方法来改善肤色一致性。实验结果表明，该方法有效减少了生成图像中的肤色偏差。

本文介绍了一种新型的远程光电容抗信号分析方法，结合神经网络和自监督训练，验证了其在多个数据集上的有效性。研究强调数据集多样性对模型训练的重要性，并提出改进的深度学习框架以提升模型的泛化能力。此外，利用生理测量进行DeepFake检测的方法表现优越，提出的隐私保护方案有效降低了面部识别准确性。

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。