技术摘要：调查叙事图像生成中的社会偏见

问题陈述

虽然文本生成图像（T2I）模型越来越多地应用于媒体、教育和设计领域，但关于其倾向于复制社会偏见的担忧依然存在。先前的研究广泛记录了 T2I 模型将特定的人口统计特征与职业、特质和社会角色联系起来的现象。然而，现有的偏见评估主要集中在单次拍摄的写实图像生成上。这种狭窄的范围留下了一个关键性的空白：目前尚不清楚社会偏见是否以及如何在叙事视觉格式（如分镜脚本和漫画）中体现，因为在这些格式中，意义是通过角色连续性、事件序列、时间进展以及视觉与文本元素的相互作用来构建的。作者认为，在静态照片中可能显得微妙或隐形的偏见，在顺序叙事格式中可能会变得更加显性或被放大。

研究方法

本研究改编了最初为文本生成设计的 BBG（生成偏见基准） 框架，用于评估图像生成模型。该方法包含以下组成部分：

• 提示词构建： 作者从 BBG 数据集中选择了 140 个种子提示词，涵盖了七个社会偏见类别：年龄、残障、性别、外貌、种族/国籍、宗教和社会经济地位（SES）。这些提示词经过刻意设计，具有上下文模糊性，未指定关键属性（例如，哪个角色拥有特定的特质或结果）。数据集包含 70 个英文提示词和 70 个韩文提示词，以调查跨语言偏见。
• 评估的模型： 测试了六个最先进的 T2I 模型：
  • 专有模型： GPT-Image-1.5, GPT-Image-2, Gemini-3.1-Flash-Image, 以及 Gemini-3-Pro-Image。
  • 开源模型： FLUX.1-Dev 和 SDXL。
• 生成设置： 对于每个提示词，输出以三种不同的格式生成：
  1. 写实图像： 单张静态图像。
  2. 分镜脚本（Storyboard）： 侧重于镜头构图和相机覆盖的粗略草图，不含文本。
  3. 四格漫画： 集成了视觉元素与对话气泡、说明文字和旁白的顺序叙事。
• 评估协议： 四位作者根据 BBG 问题隐含的答案对生成的图像（共 2.4K 张）进行了人工标注。输出被标记为有偏见的（biased）、反偏见的（counter-biased）或中立的（neutral）。研究还采用了主题编码法来识别反复出现的视觉和叙事模式。此外，还针对视频生成（Sora-Pro-2 和 Veo-3.1）进行了案例研究，以将发现扩展到时间性媒体。

关键结果

定量发现

• 叙事格式放大偏见： 与照片相比，专有模型在叙事格式中生成了更多的有偏见输出。在照片生成中，专有模型平均产生 25.9% 的有偏见输出。这一比例在分镜脚本生成中增加了 9.6 个百分点 (pp)，在漫画生成中增加了 18.2 个百分点 (pp)。
• 语言差异： 韩文提示词的偏见流行率高于英文提示词，韩文设置的平均有偏见输出率高出 7.2 个百分点 (pp)。最大的差距出现在照片生成中（例如，Nano Banana 2 显示出 17.4 pp 的增幅）。
• 开源模型表现： 开源模型（FLUX.1-Dev 和 SDXL）在平均 93.6% 的案例中生成了中立输出。然而，作者将其归因于指令遵循能力的薄弱而非有效的偏见缓解，指出这些模型通常无法纳入人口统计学线索，或生成文化不匹配的内容。

定性发现

• 显性偏见 vs. 隐性偏见： 在照片生成中，偏见通常通过微妙的视觉线索（如特定的服装、配饰或表情）进行编码。相比之下，分镜脚本和漫画通过事件序列、角色定位、叙事解决方式以及文本元素（如明确表达刻板印象的对话气泡）更显性地揭示了偏见。
• 视觉关联的持久性： 即使输出风格发生变化，刻板的视觉关联（例如，“创意型”人士被描绘为穿着休闲/嬉皮风格或带有灯泡符号）在所有格式中依然存在。
• 层级化的刻板印象： 叙事格式暴露了超越简单角色分配的偏见。例如，角色失败或依赖的原因因刻板印象而异（例如，女性护士的依赖被框架化为情感脆弱，而盲人的依赖则被框架化为实际需求）。
• 表面层面的缓解： 模型有时会尝试通过引入反刻板印象的元素或道德化结局（例如，调解冲突的邻居）来避免偏见。然而，作者指出这并不一定能消除潜在的关联，因为微妙的视觉线索仍可能强化刻板印象。
• 文化错位： 在韩国语境下，模型经常无法对齐文化细微差别，生成英文或混合语言的文本，或者产生与提示词文化背景不符的西方化或过度传统的东亚图像。

意义与贡献

本文声称有三个主要贡献：

1. 首个关于叙事偏见的研究： 它首次系统地调查了叙事图像生成格式中的社会偏见，对比了写实图像、分镜脚本和四格漫画。
2. 格式依赖偏见的证据： 它证明了专有模型在叙事格式（分镜脚本和漫画）中表现出的偏见显著高于单图生成，这表明单图评估不足以捕捉模型偏见的全部范围。
3. 定性机制： 它提供了关于偏见如何随格式不同而呈现差异的定性证据——即从照片中的微妙视觉线索转向漫画中的显性叙事和文本强化。

作者得出结论，叙事图像格式是比单纯的照片生成更强的模型偏见探测工具。他们认为，评估 T2I 系统需要超越单张图像输出，以考虑多样化的生成格式，因为在静态图像中较不明显的偏见，在顺序叙事语境中可能会浮现并变得更具危害性。该研究还强调了评估多语言和跨文化能力的需求，指出目前的模型往往无法将其提示词锚定在特定的文化背景中。