論文の概要: Do Not DeepFake Me: Privacy-Preserving Neural 3D Head Reconstruction Without Sensitive Images

• arxiv url: http://arxiv.org/abs/2312.04106v2
• Date: Sat, 14 Dec 2024 08:09:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:50:41.707362
• Title: Do Not DeepFake Me: Privacy-Preserving Neural 3D Head Reconstruction Without Sensitive Images
• Title（参考訳）: Don Not DeepFake Me: 感度画像のないプライバシー保護型ニューラル3Dヘッド
• Authors: Jiayi Kong, Xurui Song, Shuo Huai, Baixin Xu, Jun Luo, Ying He,
• Abstract要約: 本稿では,詳細な幾何学的精度を保ちながら,繊細な顔情報への露出を避けることを目的とした,新しい2段階の顔再構成手法を提案する。 提案手法はまず, 初期幾何に非感度な後頭部画像を用い, 処理されたプライバシー除去勾配画像を用いてその形状を改良する。
• 参考スコア（独自算出の注目度）: 5.462031439048112
• License:
• Abstract: While 3D head reconstruction is widely used for modeling, existing neural reconstruction approaches rely on high-resolution multi-view images, posing notable privacy issues. Individuals are particularly sensitive to facial features, and facial image leakage can lead to many malicious activities, such as unauthorized tracking and deepfake. In contrast, geometric data is less susceptible to misuse due to its complex processing requirements, and absence of facial texture features. In this paper, we propose a novel two-stage 3D facial reconstruction method aimed at avoiding exposure to sensitive facial information while preserving detailed geometric accuracy. Our approach first uses non-sensitive rear-head images for initial geometry and then refines this geometry using processed privacy-removed gradient images. Extensive experiments show that the resulting geometry is comparable to methods using full images, while the process is resistant to DeepFake applications and facial recognition (FR) systems, thereby proving its effectiveness in privacy protection.
• Abstract（参考訳）: 3Dヘッド再構成はモデリングに広く利用されているが、既存のニューラル再構成アプローチは高解像度のマルチビュー画像に依存しており、プライバシーの問題が顕著である。 個人は特に顔の特徴に敏感であり、顔画像の漏洩は、不正な追跡やディープフェイクなど多くの悪意ある活動を引き起こす可能性がある。 対照的に、幾何学的データは複雑な処理要件や顔のテクスチャが欠如しているため、誤用の影響を受けにくい。 本稿では,細かな幾何学的精度を保ちながら,繊細な顔情報への露出を避けることを目的とした,新しい2段階の顔再構成手法を提案する。 提案手法はまず, 初期幾何に非感度な後頭部画像を用い, 処理されたプライバシー除去勾配画像を用いてその形状を改良する。 大規模な実験では、結果として得られる幾何はフルイメージを使用する手法に匹敵するが、このプロセスはDeepFakeアプリケーションや顔認識(FR)システムに耐性があり、それによってプライバシー保護の有効性が証明される。

関連論文リスト

• 3D Face Reconstruction With Geometry Details From a Single Color Image Under Occluded Scenes [4.542616945567623]
  3D顔再構成技術は、自然かつ現実的に顔ステレオモデルを作成することを目的としている。 従来のディープ・フェイス・リコンストラクション・アプローチは、一般的に説得力のあるテクスチャを生成するために設計されている。 バンプマッピングを導入することで、3Dの顔を粗くするために中程度の細部を追加しました。
  論文  参考訳（メタデータ） (2024-12-25T15:16:02Z)
• Generative Face Parsing Map Guided 3D Face Reconstruction Under Occluded Scenes [4.542616945567623]
  ランドマークで案内された完全な顔解析マップ生成法を提案する。 優れた隠蔽顔復元法は、出力の真偽を確実にする。
  論文  参考訳（メタデータ） (2024-12-25T14:49:41Z)
• G2Face: High-Fidelity Reversible Face Anonymization via Generative and Geometric Priors [71.69161292330504]
  可逆顔匿名化(Reversible face anonymization)は、顔画像の繊細なアイデンティティ情報を、合成された代替品に置き換えようとしている。 本稿では,Gtextsuperscript2Faceを提案する。 提案手法は,高データの有効性を保ちながら,顔の匿名化と回復において既存の最先端技術よりも優れる。
  論文  参考訳（メタデータ） (2024-08-18T12:36:47Z)
• Facial Geometric Detail Recovery via Implicit Representation [147.07961322377685]
  そこで本研究では,一眼の顔画像のみを用いて,テクスチャガイドを用いた幾何的細部復元手法を提案する。 提案手法は,高品質なテクスチャ補完と暗黙の面の強力な表現性を組み合わせたものである。 本手法は, 顔の正確な細部を復元するだけでなく, 正常部, アルベド部, シェーディング部を自己監督的に分解する。
  論文  参考訳（メタデータ） (2022-03-18T01:42:59Z)
• AvatarMe++: Facial Shape and BRDF Inference with Photorealistic Rendering-Aware GANs [119.23922747230193]
  そこで本研究では,レンダリング可能な3次元顔形状とBRDFの再構成を,単一の"in-the-wild"画像から実現した最初の手法を提案する。 本手法は,1枚の低解像度画像から,高解像度の3次元顔の再構成を行う。
  論文  参考訳（メタデータ） (2021-12-11T11:36:30Z)
• Identity-Preserving Pose-Robust Face Hallucination Through Face Subspace Prior [14.353574903736343]
  新たな顔超解像法が導入され、幻覚した顔は、利用可能な訓練面に散らばった部分空間に置かれざるを得なくなる。 3次元辞書アライメント方式も提示され、アルゴリズムは制御不能な条件下での低解像度の顔の処理が可能となる。 いくつかのよく知られた顔データセットに対して行われた広範囲な実験において、提案アルゴリズムは、詳細で地上に近い真理結果を生成することにより、顕著な性能を示す。
  論文  参考訳（メタデータ） (2021-11-20T17:08:38Z)
• SIDER: Single-Image Neural Optimization for Facial Geometric Detail Recovery [54.64663713249079]
  SIDERは、教師なしの方法で単一の画像から詳細な顔形状を復元する新しい光度最適化手法である。 以前の作業とは対照的に、SIDERはデータセットの事前に依存せず、複数のビュー、照明変更、地上の真実の3D形状から追加の監視を必要としない。
  論文  参考訳（メタデータ） (2021-08-11T22:34:53Z)
• Fast-GANFIT: Generative Adversarial Network for High Fidelity 3D Face Reconstruction [76.1612334630256]
  我々は、GAN(Generative Adversarial Networks)とDCNN(Deep Convolutional Neural Networks)の力を利用して、単一画像から顔のテクスチャと形状を再構築する。 3次元顔再構成を保存したフォトリアリスティックでアイデンティティに優れた結果を示し, 初めて, 高精度な顔テクスチャ再構成を実現する。
  論文  参考訳（メタデータ） (2021-05-16T16:35:44Z)
• Face Super-Resolution Guided by 3D Facial Priors [92.23902886737832]
  シャープな顔構造を把握した3次元顔先行情報を明示的に組み込んだ新しい顔超解像法を提案する。 我々の研究は、顔属性のパラメトリック記述の融合に基づく3次元形態的知識を初めて探求したものである。 提案した3D先行画像は、最先端技術よりも優れた顔超解像結果が得られる。
  論文  参考訳（メタデータ） (2020-07-18T15:26:07Z)
• Do We Need Depth in State-Of-The-Art Face Authentication? [8.755493949976492]
  本研究では,顔表面や深度マップを明示的に計算することなく,ステレオカメラシステムから顔を認識する新しい手法を提案する。 原顔ステレオ画像は、顔が抽出された画像の位置とともに、提案したCNNが認識タスクを改善することができる。 提案手法は,大規模ベンチマークにおいて,単一画像と明示的深度に基づく手法の両方に優れることを示した。
  論文  参考訳（メタデータ） (2020-03-24T14:51:25Z)

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。