Fugu-MT 論文翻訳(概要): DeepPrivacy2: Towards Realistic Full-Body Anonymization

論文の概要: DeepPrivacy2: Towards Realistic Full-Body Anonymization

arxiv url: http://arxiv.org/abs/2211.09454v1
Date: Thu, 17 Nov 2022 10:52:27 GMT
ステータス: 処理完了
システム内更新日: 2022-11-18 16:19:08.571995
Title: DeepPrivacy2: Towards Realistic Full-Body Anonymization
Title（参考訳）: DeepPrivacy2: Realistic Full-Body Anonymizationを目指して
Authors: H{\aa}kon Hukkel{\aa}s, Frank Lindseth
Abstract要約: 人物と顔の現実的な匿名化のための新しい匿名化フレームワーク(DeepPrivacy2)を提案する。人間の図形合成のための大規模で多様なデータセットを導入し、画像の画質と多様性を大幅に改善する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Generative Adversarial Networks (GANs) are widely adapted for anonymization of human figures. However, current state-of-the-art limit anonymization to the task of face anonymization. In this paper, we propose a novel anonymization framework (DeepPrivacy2) for realistic anonymization of human figures and faces. We introduce a new large and diverse dataset for human figure synthesis, which significantly improves image quality and diversity of generated images. Furthermore, we propose a style-based GAN that produces high quality, diverse and editable anonymizations. We demonstrate that our full-body anonymization framework provides stronger privacy guarantees than previously proposed methods.
Abstract（参考訳）: GAN(Generative Adversarial Networks)は、人物の匿名化に広く応用されている。しかし、現在最先端の匿名化は、顔匿名化のタスクに限られている。本稿では,人物と顔の現実的な匿名化のための新しい匿名化フレームワーク(DeepPrivacy2)を提案する。人間の図形合成のための大規模で多様なデータセットを導入し、画像の画質と多様性を大幅に改善する。さらに,高品質で多様性があり,編集可能な匿名化を実現するスタイルベースGANを提案する。我々の全体匿名化フレームワークは、これまで提案された方法よりも強力なプライバシー保証を提供することを示した。

関連論文リスト

Context-Aware Full Body Anonymization using Text-to-Image Diffusion Models [1.5088726951324294]
匿名化は、現実世界のデータセットにおける個人の賢明な情報を保護する上で重要な役割を担っている。本稿では,Stable Diffusionを生成バックエンドとして利用する全身匿名化のためのワークフローを提案する。提案手法は,画像品質,解像度,インセプションスコア(IS),Frechet Inception Distance(FID)に対して,最先端の匿名化パイプラインよりも優れていることを示す。
論文参考訳（メタデータ） (2024-10-11T06:04:30Z)
Anonymization Prompt Learning for Facial Privacy-Preserving Text-to-Image Generation [56.46932751058042]
我々は、テキストから画像への拡散モデルのための学習可能なプロンプトプレフィックスをトレーニングし、匿名化された顔のアイデンティティを生成するよう強制する。実験では,非同一性固有の画像生成の品質を損なうことなく,特定の個人を匿名化するAPLの匿名化性能を実証した。
論文参考訳（メタデータ） (2024-05-27T07:38:26Z)
Privacy-preserving Optics for Enhancing Protection in Face De-identification [60.110274007388135]
この脆弱性を解決するために,ハードウェアレベルの顔識別手法を提案する。また、プライバシ保存画像、フェイスヒートマップ、およびパブリックデータセットからの参照顔イメージを入力として、新しい顔を生成する匿名化フレームワークを提案する。
論文参考訳（メタデータ） (2024-03-31T19:28:04Z)
Diff-Privacy: Diffusion-based Face Privacy Protection [58.1021066224765]
本稿では,Diff-Privacyと呼ばれる拡散モデルに基づく顔のプライバシー保護手法を提案する。具体的には、提案したマルチスケール画像インバージョンモジュール(MSI)をトレーニングし、元の画像のSDMフォーマット条件付き埋め込みのセットを得る。本研究は,条件付き埋め込みに基づいて,組込みスケジューリング戦略を設計し,デノナイズプロセス中に異なるエネルギー関数を構築し,匿名化と視覚的アイデンティティ情報隠蔽を実現する。
論文参考訳（メタデータ） (2023-09-11T09:26:07Z)
Attribute-preserving Face Dataset Anonymization via Latent Code Optimization [64.4569739006591]
本稿では,事前学習したGANの潜時空間における画像の潜時表現を直接最適化するタスク非依存匿名化手法を提案する。我々は一連の実験を通して、我々の手法が画像の同一性を匿名化できる一方で、顔の属性をより保存できることを実証した。
論文参考訳（メタデータ） (2023-03-20T17:34:05Z)
Learnable Privacy-Preserving Anonymization for Pedestrian Images [27.178354411900127]
本稿では,歩行者画像における新たなプライバシー保護匿名化問題について検討する。認証されたモデルに対する個人識別情報(PII)を保存し、PIIが第三者によって認識されないようにする。本稿では,全体匿名画像の可逆的生成が可能な共同学習可逆匿名化フレームワークを提案する。
論文参考訳（メタデータ） (2022-07-24T07:04:16Z)
OPOM: Customized Invisible Cloak towards Face Privacy Protection [58.07786010689529]
我々は、新しいタイプのカスタマイズクロークに基づく技術の観点から、顔のプライバシ保護について検討する。本研究では,個人固有の(クラスワイドな)ユニバーサルマスクを生成するために,1人1マスク(OPOM)という新しい手法を提案する。提案手法の有効性を,共通データセットと有名データセットの両方で評価した。
論文参考訳（メタデータ） (2022-05-24T11:29:37Z)
Face Anonymization by Manipulating Decoupled Identity Representation [5.26916168336451]
本稿では,顔画像の識別情報をわずかな修正で漏洩から保護する手法を提案する。具体的には、生成的敵ネットワークの力を利用する他の顔属性と同一性表現を分離する。モデルの不整合性を回避し、匿名性生成(AIG)を効果的に行う手法を提案する。
論文参考訳（メタデータ） (2021-05-24T07:39:54Z)
InfoScrub: Towards Attribute Privacy by Targeted Obfuscation [77.49428268918703]
視覚データに流出した個人情報を個人が制限できる技術について検討する。我々はこの問題を新しい画像難読化フレームワークで解決する。提案手法では,元の入力画像に忠実な難読化画像を生成するとともに,非難読化画像に対して6.2$times$(または0.85bits)の不確実性を増大させる。
論文参考訳（メタデータ） (2020-05-20T19:48:04Z)
CIAGAN: Conditional Identity Anonymization Generative Adversarial Networks [12.20367903755194]
CIAGANは条件付き生成対向ネットワークに基づく画像およびビデオの匿名化モデルである。このモデルでは,高品質な画像や映像を制作しながら,顔や身体の特徴を識別できる。
論文参考訳（メタデータ） (2020-05-19T15:56:08Z)

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。