Fugu-MT 論文翻訳(概要): Facial Identity Anonymization via Intrinsic and Extrinsic Attention Distraction

論文の概要: Facial Identity Anonymization via Intrinsic and Extrinsic Attention Distraction

arxiv url: http://arxiv.org/abs/2406.17219v2
Date: Sat, 6 Jul 2024 09:38:33 GMT
ステータス: 処理完了
システム内更新日: 2024-07-10 01:00:13.569976
Title: Facial Identity Anonymization via Intrinsic and Extrinsic Attention Distraction
Title（参考訳）: 内因性および外因性注意障害による顔の匿名化
Authors: Zhenzhong Kuang, Xiaochen Yang, Yingjie Shen, Chao Hu, Jun Yu,
Abstract要約: 本研究は,本質的および外生的アイデンティティの注意をそらすことによって,新たな顔の匿名化手法を提案する。当社のアプローチでは,顔の外観や形状を柔軟かつ直感的に操作することで,多様な結果が得られる。ユーザに対して、パーソナライズされた匿名化の実行を指示するためにも使用できる。
参考スコア（独自算出の注目度）: 12.12653214552672
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The unprecedented capture and application of face images raise increasing concerns on anonymization to fight against privacy disclosure. Most existing methods may suffer from the problem of excessive change of the identity-independent information or insufficient identity protection. In this paper, we present a new face anonymization approach by distracting the intrinsic and extrinsic identity attentions. On the one hand, we anonymize the identity information in the feature space by distracting the intrinsic identity attention. On the other, we anonymize the visual clues (i.e. appearance and geometry structure) by distracting the extrinsic identity attention. Our approach allows for flexible and intuitive manipulation of face appearance and geometry structure to produce diverse results, and it can also be used to instruct users to perform personalized anonymization. We conduct extensive experiments on multiple datasets and demonstrate that our approach outperforms state-of-the-art methods.
Abstract（参考訳）: 前例のない顔画像の捕獲と適用は、プライバシー開示と戦う匿名化への懸念が高まっている。既存の方法の多くは、アイデンティティに依存しない情報の過剰な変更や、アイデンティティ保護の不十分な問題に悩まされる。本稿では,内在的・外在的アイデンティティの注意をそらすことによって,新たな顔匿名化手法を提案する。一方,特徴空間におけるアイデンティティ情報の匿名化は,本質的なアイデンティティの注意をそらすことによって行う。他方では,外在的アイデンティティの注意をそらすことにより,視覚的手がかり(外観と幾何学構造)を匿名化する。提案手法では,顔の外観や形状を柔軟かつ直感的に操作することで,多様な結果が得られる。複数のデータセットに対して広範な実験を行い、我々のアプローチが最先端の手法より優れていることを示す。

関連論文リスト

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)
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)
GANonymization: A GAN-based Face Anonymization Framework for Preserving Emotional Expressions [43.017036538109274]
GANonymizationは、表情保存能力を持つ新しい顔匿名化フレームワークである。提案手法は, 顔の高レベル表現をベースとして, GAN(Generative Adversarial Network)に基づく匿名化バージョンに合成する。
論文参考訳（メタデータ） (2023-05-03T14:22:48Z)
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)
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)
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。