論文の概要: Beyond Anonymization: Object Scrubbing for Privacy-Preserving 2D and 3D Vision Tasks
- arxiv url: http://arxiv.org/abs/2504.16557v1
- Date: Wed, 23 Apr 2025 09:33:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 17:14:54.863485
- Title: Beyond Anonymization: Object Scrubbing for Privacy-Preserving 2D and 3D Vision Tasks
- Title（参考訳）: 匿名化を超えて:プライバシを保存する2Dおよび3Dビジョンタスクのためのオブジェクトスクレイビング
- Authors: Murat Bilgehan Ertan, Ronak Sahu, Phuong Ha Nguyen, Kaleel Mahmood, Marten van Dijk,
- Abstract要約: ROARは、プライバシー保護データセットの難読化のためのスケーラブルなフレームワークである。
本手法は,シーンの整合性を保ちながら識別可能なエンティティを除去するために,インスタンスのセグメンテーションと生成インパインティングを統合する。
本研究は,オブジェクトの削除を効果的なプライバシフレームワークとして確立し,パフォーマンス上のトレードオフを最小限に抑えながら,強力なプライバシ保証を実現している。
- 参考スコア（独自算出の注目度）: 11.880343074253343
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce ROAR (Robust Object Removal and Re-annotation), a scalable framework for privacy-preserving dataset obfuscation that eliminates sensitive objects instead of modifying them. Our method integrates instance segmentation with generative inpainting to remove identifiable entities while preserving scene integrity. Extensive evaluations on 2D COCO-based object detection show that ROAR achieves 87.5% of the baseline detection average precision (AP), whereas image dropping achieves only 74.2% of the baseline AP, highlighting the advantage of scrubbing in preserving dataset utility. The degradation is even more severe for small objects due to occlusion and loss of fine-grained details. Furthermore, in NeRF-based 3D reconstruction, our method incurs a PSNR loss of at most 1.66 dB while maintaining SSIM and improving LPIPS, demonstrating superior perceptual quality. Our findings establish object removal as an effective privacy framework, achieving strong privacy guarantees with minimal performance trade-offs. The results highlight key challenges in generative inpainting, occlusion-robust segmentation, and task-specific scrubbing, setting the foundation for future advancements in privacy-preserving vision systems.
- Abstract（参考訳）: ROAR(Robust Object removal and Re-annotation)は、プライバシを保存するデータセットの難読化のためのスケーラブルなフレームワークで、修正せずに機密性の高いオブジェクトを削除する。
本手法は,シーンの整合性を保ちながら識別可能なエンティティを除去するために,インスタンスのセグメンテーションと生成インパインティングを統合する。
2D COCOをベースとしたオブジェクト検出の大規模な評価では、ROARがベースライン検出平均精度(AP)の87.5%を達成しているのに対し、画像のドロップはベースラインAPの74.2%しか達成していない。
この劣化は、きめ細かい微細な細部が失われることにより、小さな物体にとってさらに深刻である。
さらに,NeRFを用いた3次元再構成では,SSIMを維持し,LPIPSを改善しつつPSNRの損失が1.66dB以上であり,知覚品質に優れていた。
本研究は,オブジェクトの削除を効果的なプライバシフレームワークとして確立し,パフォーマンス上のトレードオフを最小限に抑えながら,強力なプライバシ保証を実現している。
この結果は、生成的インペイント、オクルージョン・ロバスト・セグメンテーション、タスク固有のスクラブにおける重要な課題を浮き彫りにし、プライバシー保護視覚システムにおける将来の進歩の基盤となる。
関連論文リスト
- Resilience of Vision Transformers for Domain Generalisation in the Presence of Out-of-Distribution Noisy Images [2.2124795371148616]
マスク付き画像モデリング(MIM)で事前訓練した視覚トラスフォーマーを,OODベンチマークと比較した。
実験では、BEITの既知の堅牢性を実証し、PACSでは94%、Office-Homeでは87%の精度を維持した。
これらの洞察は、実験室で訓練されたモデルと、不確実性の下で確実に一般化するAIシステムを構築するための青写真を提供する現実世界のデプロイメントのギャップを埋めるものだ。
論文 参考訳（メタデータ） (2025-04-05T16:25:34Z) - MATT-GS: Masked Attention-based 3DGS for Robot Perception and Object Detection [0.3749861135832072]
U2-Netは、ターゲットオブジェクトを原画像から分離するために、バックグラウンド削除に使用される。
ソベルフィルタに基づくアテンション機構を3DGSフレームワークに統合し、細部を拡大する。
論文 参考訳（メタデータ） (2025-03-25T03:45:21Z) - ROODI: Reconstructing Occluded Objects with Denoising Inpainters [34.37743884589211]
本稿では,2つの基本原理に基づく新しいオブジェクト抽出手法を提案する。
刈り取るために,K-アネレスト近傍を用いた原始体の局所構造を解析し,関連するもののみを保持する。
塗布には,全シーンの3次元表現を生かして,既製の拡散型塗布と排他的推論を併用する。
本手法は, 複雑なシーンからのオブジェクト抽出において, 最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2025-03-13T11:16:21Z) - Facial Expression Recognition with Controlled Privacy Preservation and Feature Compensation [24.619279669211842]
顔表情認識(FER)システムは、機密情報の潜在的な暴露により、重要なプライバシー上の懸念を生じさせる。
本稿では,FER機能を保ちながら識別情報を除去する手法を提案する。
プライバシを損なうことなく,パフォーマンスを最適化する制御されたプライバシ強化機構とタスク関連機能を強化する機能補償機構を導入する。
論文 参考訳（メタデータ） (2024-11-29T23:12:38Z) - DDRN:a Data Distribution Reconstruction Network for Occluded Person Re-Identification [5.7703191981015305]
本研究では,データ分布を利用した生成モデルを提案し,無関係な詳細をフィルタリングする。
Occluded-Dukeデータセットでは、62.4%(+1.1%)のmAPと71.3%(+0.6%)のランク1の精度を達成した。
論文 参考訳（メタデータ） (2024-10-09T06:52:05Z) - Shielding the Unseen: Privacy Protection through Poisoning NeRF with
Spatial Deformation [59.302770084115814]
本稿では,Neural Radiance Fields(NeRF)モデルの生成機能に対して,ユーザのプライバシを保護する革新的な手法を提案する。
我々の新しい中毒攻撃法は、人間の目では認識できないが、NeRFが正確に3Dシーンを再構築する能力を損なうのに十分強力である観察ビューの変化を誘発する。
我々は、高品質の画像を含む29の現実世界シーンからなる2つの共通のNeRFベンチマークデータセットに対して、我々のアプローチを広範囲に検証した。
論文 参考訳（メタデータ） (2023-10-04T19:35:56Z) - TeD-SPAD: Temporal Distinctiveness for Self-supervised
Privacy-preservation for video Anomaly Detection [59.04634695294402]
人間の監視のないビデオ異常検出(VAD)は複雑なコンピュータビジョンタスクである。
VADのプライバシー漏洩により、モデルは人々の個人情報に関連する不必要なバイアスを拾い上げ、増幅することができる。
本稿では,視覚的プライベート情報を自己管理的に破壊する,プライバシーに配慮したビデオ異常検出フレームワークTeD-SPADを提案する。
論文 参考訳（メタデータ） (2023-08-21T22:42:55Z) - 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) - Privacy-preserving Object Detection [52.77024349608834]
我々は,COCOにおけるオブジェクト検出において,顔のぼやけによるデータセットの匿名化と,性別や肌のトーン次元に沿ったバランスの取れた顔の交換は,プライバシを保ち,偏りを部分的に保ちながらオブジェクト検出性能を維持することができることを示した。
論文 参考訳（メタデータ） (2021-03-11T10:34:54Z) - Secrets of 3D Implicit Object Shape Reconstruction in the Wild [92.5554695397653]
コンピュータビジョン、ロボティクス、グラフィックスの様々な用途において、高精細な3Dオブジェクトをスパースから再構築することは重要です。
最近の神経暗黙的モデリング法は、合成データセットまたは高密度データセットで有望な結果を示す。
しかし、粗末でノイズの多い実世界のデータではパフォーマンスが悪い。
本論文では, 一般的な神経暗黙モデルの性能低下の根本原因を解析する。
論文 参考訳（メタデータ） (2021-01-18T03:24:48Z) - SESS: Self-Ensembling Semi-Supervised 3D Object Detection [138.80825169240302]
具体的には、ラベルのない新しい未知のデータに基づくネットワークの一般化を促進するための、徹底的な摂動スキームを設計する。
我々のSESSは、50%のラベル付きデータを用いて、最先端の完全教師付き手法と比較して、競争性能を達成している。
論文 参考訳（メタデータ） (2019-12-26T08:48:04Z)
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。