論文の概要: NullFace: Training-Free Localized Face Anonymization
- arxiv url: http://arxiv.org/abs/2503.08478v1
- Date: Tue, 11 Mar 2025 14:29:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-12 15:42:40.119246
- Title: NullFace: Training-Free Localized Face Anonymization
- Title（参考訳）: NullFace: トレーニング不要のローカライズされた顔匿名化
- Authors: Han-Wei Kung, Tuomas Varanka, Terence Sim, Nicu Sebe,
- Abstract要約: 重要な非同一性関連属性を保存した顔匿名化のためのトレーニング不要手法を提案する。
提案手法では,最適化や訓練を必要とせず,事前学習したテキスト・画像拡散モデルを用いる。
その柔軟性、堅牢性、実用性は、現実世界のアプリケーションに適しています。
- 参考スコア（独自算出の注目度）: 47.465206562914396
- License:
- Abstract: Privacy concerns around ever increasing number of cameras are increasing in today's digital age. Although existing anonymization methods are able to obscure identity information, they often struggle to preserve the utility of the images. In this work, we introduce a training-free method for face anonymization that preserves key non-identity-related attributes. Our approach utilizes a pre-trained text-to-image diffusion model without requiring optimization or training. It begins by inverting the input image to recover its initial noise. The noise is then denoised through an identity-conditioned diffusion process, where modified identity embeddings ensure the anonymized face is distinct from the original identity. Our approach also supports localized anonymization, giving users control over which facial regions are anonymized or kept intact. Comprehensive evaluations against state-of-the-art methods show our approach excels in anonymization, attribute preservation, and image quality. Its flexibility, robustness, and practicality make it well-suited for real-world applications. Code and data can be found at https://github.com/hanweikung/nullface .
- Abstract（参考訳）: 今日のデジタル時代には、カメラの増加に関するプライバシー上の懸念が増している。
既存の匿名化手法は識別情報を隠蔽することができるが、画像の有用性の維持に苦慮することが多い。
本研究では,重要な非同一性関連属性を保持する顔匿名化のためのトレーニング不要手法を提案する。
提案手法では,最適化や訓練を必要とせず,事前学習したテキスト・画像拡散モデルを用いる。
入力イメージを反転させて初期ノイズを回復することから始まります。
ノイズは、ID条件の拡散過程を通じて識別され、修正されたID埋め込みにより、匿名化顔が元のIDと区別されることが保証される。
当社のアプローチは局所匿名化もサポートしており、ユーザーはどの顔領域が匿名化されているか、あるいは無傷で保持されているかを制御できる。
最新の手法に対する総合的な評価は, 匿名化, 属性保存, 画像品質が優れていることを示す。
その柔軟性、堅牢性、実用性は、現実世界のアプリケーションに適しています。
コードとデータはhttps://github.com/hanweikung/nullface.orgにある。
関連論文リスト
- iFADIT: Invertible Face Anonymization via Disentangled Identity Transform [51.123936665445356]
顔の匿名化は、個人のプライバシーを保護するために顔の視覚的アイデンティティを隠すことを目的としている。
Invertible Face Anonymization の頭字語 iFADIT を Disentangled Identity Transform を用いて提案する。
論文 参考訳（メタデータ） (2025-01-08T10:08:09Z) - Facial Identity Anonymization via Intrinsic and Extrinsic Attention Distraction [12.12653214552672]
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。
論文 参考訳（メタデータ） (2024-06-25T02:07:55Z) - 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) - 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) - 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。