論文の概要: My Face My Choice: Privacy Enhancing Deepfakes for Social Media
Anonymization
- arxiv url: http://arxiv.org/abs/2211.01361v1
- Date: Wed, 2 Nov 2022 17:58:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 12:16:36.164859
- Title: My Face My Choice: Privacy Enhancing Deepfakes for Social Media
Anonymization
- Title(参考訳): My Face My Choice: ソーシャルメディアの匿名化のためにディープフェイクを強化するプライバシー
- Authors: Umur A. Ciftci and Gokturk Yuksek and Ilke Demir
- Abstract要約: 仮説的ソーシャルネットワークに3つの顔アクセスモデルを導入し、ユーザーが承認した写真にのみ現れる能力を持つ。
我々のアプローチは、現在のタグ付けシステムを廃止し、未承認の顔を定量的に異なるディープフェイクに置き換える。
その結果,7つのSOTA顔認識器を動作させることで,平均精度を61%削減できることがわかった。
- 参考スコア(独自算出の注目度): 4.725675279167593
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, productization of face recognition and identification algorithms
have become the most controversial topic about ethical AI. As new policies
around digital identities are formed, we introduce three face access models in
a hypothetical social network, where the user has the power to only appear in
photos they approve. Our approach eclipses current tagging systems and replaces
unapproved faces with quantitatively dissimilar deepfakes. In addition, we
propose new metrics specific for this task, where the deepfake is generated at
random with a guaranteed dissimilarity. We explain access models based on
strictness of the data flow, and discuss impact of each model on privacy,
usability, and performance. We evaluate our system on Facial Descriptor Dataset
as the real dataset, and two synthetic datasets with random and equal class
distributions. Running seven SOTA face recognizers on our results, MFMC reduces
the average accuracy by 61%. Lastly, we extensively analyze similarity metrics,
deepfake generators, and datasets in structural, visual, and generative spaces;
supporting the design choices and verifying the quality.
- Abstract(参考訳): 近年、顔認識と識別アルゴリズムの製品化が倫理的AIに関する最も議論の的になっている。
デジタルアイデンティティに関する新たなポリシーが作成されるにつれて、仮説上のソーシャルネットワークに3つの顔アクセスモデルが導入されました。
我々のアプローチは、現在のタグ付けシステムを廃止し、未承認の顔を定量的に異なるディープフェイクに置き換える。
さらに,このタスクに特有の新しいメトリクスを提案する。ディープフェイクがランダムに生成され,相似性が保証される。
データフローの厳密さに基づいてアクセスモデルを説明し、各モデルがプライバシ、ユーザビリティ、パフォーマンスに与える影響について論じる。
顔記述子データセットを実際のデータセットとして評価し,ランダムかつ等級分布を持つ2つの合成データセットについて評価した。
その結果,7つのSOTA顔認識器を動作させることで,平均精度を61%削減した。
最後に,構造空間,視覚空間,生成空間において類似度メトリクス,ディープフェイク生成器,データセットを広範囲に分析し,設計選択をサポートし,品質を検証する。
関連論文リスト
- AI-Face: A Million-Scale Demographically Annotated AI-Generated Face Dataset and Fairness Benchmark [12.368133562194267]
AI-Faceデータセットは、人口統計学的にアノテートされた最初のAI生成顔画像データセットである。
このデータセットに基づいて、さまざまなAI顔検出装置を評価するために、最初の総合的公正度ベンチマークを行う。
論文 参考訳(メタデータ) (2024-06-02T15:51:33Z) - SDFR: Synthetic Data for Face Recognition Competition [51.9134406629509]
大規模な顔認識データセットは、インターネットをクロールして個人の同意なしに収集し、法的、倫理的、プライバシー上の懸念を提起する。
近年、ウェブクローリングされた顔認識データセットにおける懸念を軽減するために、合成顔認識データセットの生成が提案されている。
本稿では,第18回IEEE International Conference on Automatic Face and Gesture Recognition (FG 2024)と共同で開催されているSynthetic Data for Face Recognition (SDFR)コンペティションの概要を紹介する。
SDFRコンペティションは2つのタスクに分けられ、参加者は新しい合成データセットまたは/または既存のデータセットを使用して顔認識システムを訓練することができる。
論文 参考訳(メタデータ) (2024-04-06T10:30:31Z) - DeepFidelity: Perceptual Forgery Fidelity Assessment for Deepfake
Detection [67.3143177137102]
ディープフェイク検出(Deepfake detection)とは、画像やビデオにおいて、人工的に生成された顔や編集された顔を検出すること。
本稿では,実顔と偽顔とを適応的に識別するDeepFidelityという新しいDeepfake検出フレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-07T07:19:45Z) - Identity-driven Three-Player Generative Adversarial Network for
Synthetic-based Face Recognition [14.73254194339562]
本稿では,識別情報の生成プロセスへの統合を可能にする3プレーヤ生成逆ネットワーク(GAN)フレームワーク,すなわちIDnetを提案する。
我々は,従来の2プレーヤGANと比較して,IDnet合成画像の識別性が高いことを実証的に証明した。
顔認識モデルの訓練におけるIDnetデータの適用性について,広範囲の顔認識ベンチマークを用いて評価を行った。
論文 参考訳(メタデータ) (2023-04-30T00:04:27Z) - Disguise without Disruption: Utility-Preserving Face De-Identification [40.484745636190034]
本研究では,修正データの利用性を確保しつつ,顔画像をシームレスに識別する新しいアルゴリズムであるDisguiseを紹介する。
本手法は, 難読化と非可逆性を最大化するために, 変分機構を用いて生成した合成物を用いて, 描写されたアイデンティティを抽出し置換することを含む。
提案手法を複数のデータセットを用いて広範に評価し,様々な下流タスクにおける従来の手法と比較して,高い非識別率と一貫性を示す。
論文 参考訳(メタデータ) (2023-03-23T13:50:46Z) - How to Boost Face Recognition with StyleGAN? [13.067766076889995]
最先端の顔認識システムは大量のラベル付きトレーニングデータを必要とする。
業界における自己監督的革命は、関連する技術が顔認識に適応する研究を動機付けている。
StyleGANのための微調整pSpエンコーダに基づく簡単なアプローチにより、最先端の顔認識を改善することができることを示す。
論文 参考訳(メタデータ) (2022-10-18T18:41:56Z) - Rethinking Bias Mitigation: Fairer Architectures Make for Fairer Face
Recognition [107.58227666024791]
顔認識システムは、法執行を含む安全クリティカルなアプリケーションに広くデプロイされている。
彼らは、性別や人種など、様々な社会的デデノグラフィー次元に偏見を示す。
バイアス軽減に関するこれまでの研究は、主にトレーニングデータの事前処理に重点を置いていた。
論文 参考訳(メタデータ) (2022-10-18T15:46:05Z) - FaceMAE: Privacy-Preserving Face Recognition via Masked Autoencoders [81.21440457805932]
顔のプライバシと認識性能を同時に考慮する新しいフレームワークFaceMAEを提案する。
ランダムにマスクされた顔画像は、FaceMAEの再構築モジュールのトレーニングに使用される。
また、いくつかの公開顔データセット上で十分なプライバシー保護顔認証を行う。
論文 参考訳(メタデータ) (2022-05-23T07:19:42Z) - Meta Balanced Network for Fair Face Recognition [51.813457201437195]
我々は、データとアルゴリズムの両方の側面からバイアスを体系的に科学的に研究する。
本稿では,メタバランスネットワーク(MBN)と呼ばれるメタ学習アルゴリズムを提案する。
大規模な実験により、MBNは偏見を緩和し、顔認識において異なる肌のトーンを持つ人々に対してよりバランスの取れたパフォーマンスを学ぶことができた。
論文 参考訳(メタデータ) (2022-05-13T10:25:44Z) - SynFace: Face Recognition with Synthetic Data [83.15838126703719]
我々は、ID混在(IM)とドメイン混在(DM)を併用したSynFaceを考案し、パフォーマンスギャップを緩和する。
また、合成顔画像の系統的実験分析を行い、合成データを顔認識に効果的に活用する方法についての知見を提供する。
論文 参考訳(メタデータ) (2021-08-18T03:41:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。