論文の概要: StyleGAN as a Utility-Preserving Face De-identification Method

• arxiv url: http://arxiv.org/abs/2212.02611v1
• Date: Mon, 5 Dec 2022 21:52:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 16:25:40.630906
• Title: StyleGAN as a Utility-Preserving Face De-identification Method
• Title（参考訳）: 実用性を保つ顔の識別方法としてのStyleGAN
• Authors: Seyyed Mohammad Sadegh Moosavi Khorzooghi and Shirin Nilizadeh
• Abstract要約: StyleGANは、高品質な仮想顔を生成する生成的敵ネットワークモデルである。 StyleGANは、他のアプローチよりも、顔の品質と有用性を保ちます。
• 参考スコア（独自算出の注目度）: 1.6447597767676658
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Several face de-identification methods have been proposed to preserve users' privacy by obscuring their faces. These methods, however, can degrade the quality of photos, and they usually do not preserve the utility of faces, e.g., their age, gender, pose, and facial expression. Recently, advanced generative adversarial network models, such as StyleGAN, have been proposed, which generate realistic, high-quality imaginary faces. In this paper, we investigate the use of StyleGAN in generating de-identified faces through style mixing, where the styles or features of the target face and an auxiliary face get mixed to generate a de-identified face that carries the utilities of the target face. We examined this de-identification method with respect to preserving utility and privacy, by implementing several face detection, verification, and identification attacks. Through extensive experiments and also comparing with two state-of-the-art face de-identification methods, we show that StyleGAN preserves the quality and utility of the faces much better than the other approaches and also by choosing the style mixing levels correctly, it can preserve the privacy of the faces much better than other methods.
• Abstract（参考訳）: 顔を隠すことでユーザのプライバシを保護するために,顔の特定方法がいくつか提案されている。 しかし、これらの方法は写真の質を劣化させる可能性があり、通常は顔の効能(年齢、性別、ポーズ、表情など)を保たない。 近年、StyleGANのような先進的な生成逆ネットワークモデルが提案され、現実的で高品質な仮想顔を生成する。 本稿では,対象の顔と補助顔のスタイルや特徴を混合して,対象顔のユーティリティを担っている非識別顔を生成する,スタイル混合による非識別顔の生成におけるスタイルガンの使用について検討する。 本手法は,複数の顔検出,検証,識別攻撃を実施し,有用性とプライバシの保護について検討した。 広範な実験と2つの最先端顔識別法との比較を通じて,スタイルガンは他のアプローチよりも顔の品質と有用性が保たれていること,およびスタイル混合レベルを正しく選択することで,顔のプライバシーを他の手法よりもはるかに保たれることを示した。

関連論文リスト

• Face De-identification: State-of-the-art Methods and Comparative Studies [32.333766763819796]
  顔の特定は、顔画像のプライバシーを保護する効果的な手段とみなされる。 本稿では,現在最先端の顔識別手法を,ピクセルレベル,表現レベル,意味レベルという3つのレベルに分類する。
  論文  参考訳（メタデータ） (2024-11-15T01:00:00Z)
• Masked Differential Privacy [64.32494202656801]
  本稿では,差分プライバシーを適用した機密領域を制御できる「マスク型差分プライバシー(DP)」という効果的なアプローチを提案する。 提案手法はデータに基づいて選択的に動作し,DPアプリケーションや差分プライバシーをデータサンプル内の他のプライバシー技術と組み合わせることなく,非感性時間領域を定義できる。
  論文  参考訳（メタデータ） (2024-10-22T15:22:53Z)
• 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)
• PrivacyGAN: robust generative image privacy [0.0]
  画像のユーザビリティを維持しながらプライバシを保護する新しいアプローチであるPrivacyGANを導入する。 Fawkesからインスピレーションを得たこの手法では、埋め込み空間内の元の画像をデコイ画像にシフトさせる。 本手法は未知の埋め込み転送シナリオにおいても有効であることを示す。
  論文  参考訳（メタデータ） (2023-10-19T08:56:09Z)
• 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)
• CLIP2Protect: Protecting Facial Privacy using Text-Guided Makeup via Adversarial Latent Search [10.16904417057085]
  ディープラーニングベースの顔認識システムは、デジタル世界のユーザを無許可で追跡することができる。 既存のプライバシーを強化する方法は、ユーザー体験を損なうことなく、顔のプライバシーを保護することができる自然主義的なイメージを生成するのに失敗する。 本稿では,事前学習された生成モデルの低次元多様体における逆潜時符号の発見に依存する,顔のプライバシー保護のための新しい2段階のアプローチを提案する。
  論文  参考訳（メタデータ） (2023-06-16T17:58:15Z)
• Privacy-Preserving Face Recognition with Learnable Privacy Budgets in Frequency Domain [77.8858706250075]
  本稿では,周波数領域における差分プライバシーを用いたプライバシ保護顔認証手法を提案する。 本手法はいくつかの古典的顔認証テストセットで非常によく機能する。
  論文  参考訳（メタデータ） (2022-07-15T07:15:36Z)
• 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)
• An Attack on Feature Level-based Facial Soft-biometric Privacy Enhancement [13.780253190395715]
  特徴レベルに基づく顔ソフトバイオメトリック・プライバシ・エンハンスメント技術に対する攻撃を導入する。 プライバシーの強化を回避することができ、性別を最大90%の精度で正しく分類することができる。
  論文  参考訳（メタデータ） (2021-11-24T10:41:15Z)
• Subverting Privacy-Preserving GANs: Hiding Secrets in Sanitized Images [13.690485523871855]
  最先端のアプローチでは、プライバシ保護による生成的敵ネットワーク(PP-GAN)を使用して、ユーザのアイデンティティを漏洩することなく、信頼できる表情認識を可能にする。 PP-GANの高感度化出力画像に機密識別データを隠蔽して後で抽出できることを示す。
  論文  参考訳（メタデータ） (2020-09-19T19:02:17Z)
• Towards Face Encryption by Generating Adversarial Identity Masks [53.82211571716117]
  敵の識別マスクを生成するためのターゲットID保護反復法(TIP-IM)を提案する。 TIP-IMは、様々な最先端の顔認識モデルに対して95%以上の保護成功率を提供する。
  論文  参考訳（メタデータ） (2020-03-15T12:45:10Z)

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。