論文の概要: Anonymization Prompt Learning for Facial Privacy-Preserving Text-to-Image Generation

• arxiv url: http://arxiv.org/abs/2405.16895v2
• Date: Thu, 20 Jun 2024 03:45:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-22 03:49:28.187824
• Title: Anonymization Prompt Learning for Facial Privacy-Preserving Text-to-Image Generation
• Title（参考訳）: 顔のプライバシを保存するテキスト・ツー・イメージ生成のための匿名化プロンプト学習
• Authors: Liang Shi, Jie Zhang, Shiguang Shan,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 56.46932751058042
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-to-image diffusion models, such as Stable Diffusion, generate highly realistic images from text descriptions. However, the generation of certain content at such high quality raises concerns. A prominent issue is the accurate depiction of identifiable facial images, which could lead to malicious deepfake generation and privacy violations. In this paper, we propose Anonymization Prompt Learning (APL) to address this problem. Specifically, we train a learnable prompt prefix for text-to-image diffusion models, which forces the model to generate anonymized facial identities, even when prompted to produce images of specific individuals. Extensive quantitative and qualitative experiments demonstrate the successful anonymization performance of APL, which anonymizes any specific individuals without compromising the quality of non-identity-specific image generation. Furthermore, we reveal the plug-and-play property of the learned prompt prefix, enabling its effective application across different pretrained text-to-image models for transferrable privacy and security protection against the risks of deepfakes.
• Abstract（参考訳）: 安定拡散のようなテキスト間拡散モデルは、テキスト記述から非常にリアルな画像を生成する。 しかし、そのような高品質なコンテンツの生成は懸念を喚起する。 重要な問題は、識別可能な顔画像の正確な描写であり、悪意のあるディープフェイク生成とプライバシー侵害につながる可能性がある。 本稿では,この問題を解決するために匿名化プロンプト学習(APL)を提案する。 具体的には、テキスト・ツー・イメージ拡散モデルに対して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、特定の個人の画像を生成するように促された場合でも、モデルに匿名化された顔のアイデンティティを生成するように強制する。 広汎な定量および定性的実験は、APLの匿名化性能を実証し、特定の個人を匿名化することで、非同一性固有の画像生成の品質を損なうことなく、匿名化することができる。 さらに、学習したプロンプトプレフィックスのプラグ・アンド・プレイ特性を明らかにし、様々な事前訓練されたテキスト・ツー・イメージ・モデルに対して、ディープフェイクのリスクに対する転送可能なプライバシとセキュリティ保護の効果的な適用を可能にする。

関連論文リスト

• ID-Guard: A Universal Framework for Combating Facial Manipulation via Breaking Identification [60.73617868629575]
  深層学習に基づく顔操作の誤用は、公民権に対する潜在的な脅威となる。 この不正行為を防ぐため、プロアクティブな防御技術が提案され、操作プロセスを妨害した。 我々は,ID-Guardと呼ばれる,顔操作と戦うための新しい普遍的枠組みを提案する。
  論文  参考訳（メタデータ） (2024-09-20T09:30:08Z)
• 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)
• Privacy-Preserving Face Recognition Using Trainable Feature Subtraction [40.47645421424354]
  顔認識はプライバシーの懸念を増している。 本稿では,視覚障害と回復障害に対する顔画像保護について検討する。 我々は,この手法を新たなプライバシ保護顔認識手法であるMinusFaceに精錬する。
  論文  参考訳（メタデータ） (2024-03-19T05:27:52Z)
• 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)
• 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)
• 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)
• 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。