1.一种基于跨域对偶生成式对抗网络的偏见消除方法，其特征在于，包括以下步骤：(1)采集图像数据，并标记图像数据的任务标签和受保护属性，将任务标签、受保护属性与图像数据构成一个样本图像，组成样本集，根据任务标签不同将样本集分成U域样本集和V域样本集，U域样本集中样本图像u和V域样本集中的样本图像v组成一个样本对；

(2)基于跨域对偶生成式对抗网络构建训练系统，包括生成器GA、判别器DA、生成器GB、判别器DB，样本对中样本图像u和样本图像v分别输入至生成器GA、生成器GB中，并为生成器GA和生成器GB分别添加噪声信息z和噪声信息z’，样本图像u与噪声信息z经过生成器GA编码的生成图像GA(u,z)再与噪声信息z’经过生成器GB编码得到生成图像GB(GA(u,z),z')，样本图像v与噪声信息z’经过生成器GB编码的生成图像GB(v,z')再与噪声信息z经过生成器GA编码得到生成图像GA(GB(u,z'),z)，判别器DA判别生成图像GA(u,z)与样本图像v的真伪，判别器DB判别生成图像GB(v,z')与样本图像u的真伪；

(3)构建损失函数，根据生成图像GA(u,z)与样本图像v之间的距离构建判别器DA的第一损失函数；根据生成图像GB(v,z’)与样本图像u之间的距离构建判别器DB的第二损失函数，根据所有生成图像和样本图像之间的距离构建第一部分损失，根据任务标签和判别标签的交叉熵、受保护属性与编码特征的交叉熵构建第二部分损失，第一部分损失和第二部分损失组成生成器GA和生成器GB的第三损失函数；

(4)利用第一损失函数、第二损失函数以及第三损失函数对训练系统进行对抗训练，训练结束后，提取参数确定的生成器GA和GB作为两个图像迁移模型；

(5)应用时，将图像对分别输入至两个图像迁移模型，经计算生成图像域迁移的两张迁移图像。

2.如权利要求1所述的基于跨域对偶生成式对抗网络的偏见消除方法，其特征在于，所述第一损失函数 为：第二损失函数 为：

其中，DA(v)为样本图像v输入至判别器DA得到的预测判别结果，DA(GA(u,z))为生成图像GA(u,z)输入至判别器DA得到的预测判别结果，DB(u)为样本图像u输入至判别器DB得到的预测判别结果，DB(GB(v,z'))为生成图像GB(v,z')输入至判别器DB得到的预测判别结果。

3.如权利要求1所述的基于跨域对偶生成式对抗网络的偏见消除方法，其特征在于，所g述第三损失函数l(u,v)为：

g g1 g2

l(u,v)＝l (u,v)+l (u,v)

g1

第一部分损失l (u,v)为：

g1

l (u,v)＝λU||u‑GB(GA(u,z),z')||+λV||v‑GA(GB(u,z'),z)||‑DA(GB(v,z'))‑DB(GA(u,z))其中，λU、λV为权重参数，取值范围为0～1，DA(GB(v,z'))为生成图像GB(v,z')输入至判别器DA得到的预测判别结果，DB(GA(u,z))为生成图像GA(u,z)输入至判别器DB得到的预测判别结果，||·||为L1距离；

g2

第二部分损失l (u,v)为：

其中，i为样本图像的索引，βU、βV、λ为权重参数，取值范围为0～1， 为L1距离，ui为第i个样本图像u，为样本图像ui输入至生成器GA编码得到的中间表示， 为样本图像ui的任务标签，DA(·)为判别器DA的预测判别结果，c(·)为判别模型C的预测判别结果，gi为受保护属性，vi为第i个样本图像v， 为样本图像vi输入至生成器GB编码得到的中间表示，DB(·)为判别器DB的预测判别结果，L(·)和Lc(·)均为交叉熵函数。

4.如权利要求1所述的基于跨域对偶生成式对抗网络的偏见消除方法，其特征在于，所述生成器GA和生成器GB采用U‑net网络。

5.如权利要求1所述的基于跨域对偶生成式对抗网络的偏见消除方法，其特征在于，所述判别器DA和判别器DB采用PatchGAN结构，网络结构为3层全卷积层和1层标准化处理，卷积核为4×4大小。

6.如权利要求3所述的基于跨域对偶生成式对抗网络的偏见消除方法，其特征在于，所述判别模型结构不同于判别器DA和DB，采用卷积神经网络。

7.如权利要求1所述的基于跨域对偶生成式对抗网络的偏见消除方法，其特征在于，训练时，batch size设为1，每个epoch训练1000张图，训练次数为100个epoch，同时生成器和判别器都默认使用Adam优化器，初始参数默认为相同的学习率。

8.一种基于跨域对偶生成式对抗网络的偏见消除装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述计算机存储器中采用权利要求1～7任一项所述的基于跨域对偶生成式对抗网络的偏见消除方法构建的两个图像迁移模型；

所述计算机处理器执行所述计算机程序时实现以下步骤：

将图像对分别输入至两个图像迁移模型，经计算生成图像域迁移的两张迁移图像。