論文の概要: StyleID: Identity Disentanglement for Anonymizing Faces

• arxiv url: http://arxiv.org/abs/2212.13791v1
• Date: Wed, 28 Dec 2022 12:04:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 14:14:55.288688
• Title: StyleID: Identity Disentanglement for Anonymizing Faces
• Title（参考訳）: styleid: 顔の匿名化のためのアイデンティティ乱れ
• Authors: Minh-Ha Le and Niklas Carlsson
• Abstract要約: この論文の主な貢献は、フィーチャ保存の匿名化フレームワークであるStyleIDの設計である。 コントリビューションの一環として,新しいアンタングル化指標,補足的アンタングル化法,およびアイデンティティ・アンタングル化に関する新たな知見を提示する。 StyleIDはチューナブルなプライバシを提供し、計算の複雑さが低く、現在の最先端ソリューションを上回っている。
• 参考スコア（独自算出の注目度）: 4.048444203617942
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Privacy of machine learning models is one of the remaining challenges that hinder the broad adoption of Artificial Intelligent (AI). This paper considers this problem in the context of image datasets containing faces. Anonymization of such datasets is becoming increasingly important due to their central role in the training of autonomous cars, for example, and the vast amount of data generated by surveillance systems. While most prior work de-identifies facial images by modifying identity features in pixel space, we instead project the image onto the latent space of a Generative Adversarial Network (GAN) model, find the features that provide the biggest identity disentanglement, and then manipulate these features in latent space, pixel space, or both. The main contribution of the paper is the design of a feature-preserving anonymization framework, StyleID, which protects the individuals' identity, while preserving as many characteristics of the original faces in the image dataset as possible. As part of the contribution, we present a novel disentanglement metric, three complementing disentanglement methods, and new insights into identity disentanglement. StyleID provides tunable privacy, has low computational complexity, and is shown to outperform current state-of-the-art solutions.
• Abstract（参考訳）: 機械学習モデルのプライバシは、AI(Artificial Intelligent)の普及を妨げている残りの課題の1つだ。 本稿では,顔を含む画像データセットの文脈でこの問題を考察する。 このようなデータセットの匿名化は、例えば自動運転車のトレーニングにおける中心的な役割と、監視システムによって生成される膨大なデータによって、ますます重要になっている。 たいていの先行研究では、ピクセル空間のアイデンティティ特徴を変更して顔画像の識別を解除するが、その代わりに、画像が生成的敵ネットワーク(gan)モデルの潜在空間に投影され、最大のアイデンティティの不一致をもたらす特徴を見つけ、潜在空間、ピクセル空間、またはその両方でこれらの特徴を操作する。 論文の主な貢献は、画像データセットの元の顔の特徴を可能な限り保持しながら、個人のアイデンティティを保護する機能保存型匿名化フレームワークstyleidの設計である。 この貢献の一環として,新たな異方性指標,3つの相補的異方性手法,および同一性異方性に対する新たな洞察を提案する。 StyleIDはチューナブルなプライバシを提供し、計算の複雑さが低く、現在の最先端ソリューションを上回っている。

関連論文リスト

• ID$^3$: Identity-Preserving-yet-Diversified Diffusion Models for Synthetic Face Recognition [60.15830516741776]
  合成顔認識(SFR)は、実際の顔データの分布を模倣するデータセットを生成することを目的としている。 拡散燃料SFRモデルであるtextID3$を紹介します。 textID3$はID保存損失を利用して、多様だがアイデンティティに一貫性のある顔の外観を生成する。
  論文  参考訳（メタデータ） (2024-09-26T06:46:40Z)
• ID-Aligner: Enhancing Identity-Preserving Text-to-Image Generation with Reward Feedback Learning [57.91881829308395]
  AIポートレートや広告といった幅広いアプリケーションシナリオのために、ID-T2I(ID-preserving text-to-image generation)が注目されている。 我々は,ID-T2I性能を向上させるための一般的なフィードバック学習フレームワークである textbfID-Aligner を提案する。
  論文  参考訳（メタデータ） (2024-04-23T18:41:56Z)
• Adversarial Identity Injection for Semantic Face Image Synthesis [6.763801424109435]
  我々は、顔を生成するためにアイデンティティ、スタイル、セマンティック特徴をマージするクロスアテンション機構を利用するSISアーキテクチャを提案する。 実験結果から,提案手法は識別情報の保存に適するだけでなく,顔認識対向攻撃にも有効であることが判明した。
  論文  参考訳（メタデータ） (2024-04-16T09:19:23Z)
• StableIdentity: Inserting Anybody into Anywhere at First Sight [57.99693188913382]
  一つの顔画像で同一性に一貫性のある再テクスチャ化を可能にするStableIdentityを提案する。 私たちは、1つの画像から学んだアイデンティティを直接、微調整なしでビデオ/3D生成に注入する最初の人です。
  論文  参考訳（メタデータ） (2024-01-29T09:06:15Z)
• HFORD: High-Fidelity and Occlusion-Robust De-identification for Face Privacy Protection [60.63915939982923]
  顔の身元特定は、身元保護問題を解決するための実践的な方法である。 既存の顔の特定方法にはいくつかの問題がある。 これらの問題に対処するために,HFORD(High-Fidelity and Occlusion-Robust De-identification)法を提案する。
  論文  参考訳（メタデータ） (2023-11-15T08:59:02Z)
• 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)
• 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)
• 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)
• A Systematical Solution for Face De-identification [6.244117712209321]
  異なるタスクにおいて、人々は顔の特定(De-ID)に様々な要件を持つ 本稿では,これらのDe-ID操作に適合する系統的解を提案する。 本手法は,様々な方法で顔データを柔軟に識別し,画像の画質が向上する。
  論文  参考訳（メタデータ） (2021-07-19T02:02:51Z)
• IdentityDP: Differential Private Identification Protection for Face Images [17.33916392050051]
  顔の非識別、別名顔の匿名化は、実際のアイデンティティが隠されている間、同様の外観と同じ背景を持つ別の画像を生成することを指します。 我々は,データ駆動型ディープニューラルネットワークと差分プライバシー機構を組み合わせた顔匿名化フレームワークであるIdentityDPを提案する。 我々のモデルは、顔の識別関連情報を効果的に難読化し、視覚的類似性を保ち、高品質な画像を生成することができる。
  論文  参考訳（メタデータ） (2021-03-02T14:26:00Z)

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。