論文の概要: FaceAnonyMixer: Cancelable Faces via Identity Consistent Latent Space Mixing
- arxiv url: http://arxiv.org/abs/2508.05636v1
- Date: Thu, 07 Aug 2025 17:59:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-08 18:59:39.994306
- Title: FaceAnonyMixer: Cancelable Faces via Identity Consistent Latent Space Mixing
- Title（参考訳）: FaceAnonyMixer: アイデンティティに一貫性のあるラテント・スペース・ミキシングによるキャセリアブル・フェイス
- Authors: Mohammed Talha Alam, Fahad Shamshad, Fakhri Karray, Karthik Nandakumar,
- Abstract要約: FaceAnonyMixerは、プライバシを保存する顔イメージを合成する、キャンセル可能な顔生成フレームワークである。
ベンチマークデータセットの実験では、FaceAnonyMixerは優れた認識精度を提供すると同時に、はるかに強力なプライバシ保護を提供する。
- 参考スコア（独自算出の注目度）: 7.067461105227436
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Advancements in face recognition (FR) technologies have amplified privacy concerns, necessitating methods that protect identity while maintaining recognition utility. Existing face anonymization methods typically focus on obscuring identity but fail to meet the requirements of biometric template protection, including revocability, unlinkability, and irreversibility. We propose FaceAnonyMixer, a cancelable face generation framework that leverages the latent space of a pre-trained generative model to synthesize privacy-preserving face images. The core idea of FaceAnonyMixer is to irreversibly mix the latent code of a real face image with a synthetic code derived from a revocable key. The mixed latent code is further refined through a carefully designed multi-objective loss to satisfy all cancelable biometric requirements. FaceAnonyMixer is capable of generating high-quality cancelable faces that can be directly matched using existing FR systems without requiring any modifications. Extensive experiments on benchmark datasets demonstrate that FaceAnonyMixer delivers superior recognition accuracy while providing significantly stronger privacy protection, achieving over an 11% gain on commercial API compared to recent cancelable biometric methods. Code is available at: https://github.com/talha-alam/faceanonymixer.
- Abstract（参考訳）: 顔認識(FR)技術の進歩はプライバシーの懸念を増幅し、認識ユーティリティを維持しながらアイデンティティを保護する方法を必要としている。
既存の顔の匿名化手法は一般的にアイデンティティを隠蔽することに重点を置いているが、リボカビリティ、非リンク性、不可逆性などのバイオメトリックテンプレート保護の要件を満たしていない。
本研究では,プライバシ保護顔画像の合成に事前学習した生成モデルの潜伏空間を利用する,キャンセル可能な顔生成フレームワークであるFaceAnonyMixerを提案する。
FaceAnonyMixerの中核となる考え方は、実際の顔画像の潜伏するコードと、取り消し可能なキーから派生した合成コードとを不可逆的に混ぜることである。
混合潜在コードは、取り消し可能なすべての生体認証要件を満たすために、慎重に設計された多目的損失によってさらに洗練される。
FaceAnonyMixerは、既存のFRシステムと直接マッチングできる高品質のキャンセル可能な顔を生成することができる。
ベンチマークデータセットに関する大規模な実験によると、FaceAnonyMixerは認識精度が向上し、プライバシー保護が大幅に強化された。
コードは、https://github.com/talha-alam/faceanonymixer.comで入手できる。
関連論文リスト
- DiffUMI: Training-Free Universal Model Inversion via Unconditional Diffusion for Face Recognition [17.70133779192382]
DiffUMIは拡散型ユニバーサルモデル逆転攻撃であり、追加の訓練は不要である。
最先端の攻撃を15.5%上回り、標準およびプライバシー保護の顔認識システムでの成功率を9.82%上回っている。
論文 参考訳（メタデータ） (2025-04-25T01:53:27Z) - 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) - 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) - Transferable Adversarial Facial Images for Privacy Protection [15.211743719312613]
視覚的品質を維持しつつ、転送性を改善した新しい顔プライバシー保護方式を提案する。
生成モデルの潜在空間をトラバースするために,まずグローバルな逆潜時探索を利用する。
次に、視覚的アイデンティティ情報を保存するための重要なランドマーク正規化モジュールを導入する。
論文 参考訳（メタデータ） (2024-07-18T02:16:11Z) - Enhancing Privacy in Face Analytics Using Fully Homomorphic Encryption [8.742970921484371]
本稿では,FHE(Fully Homomorphic Encryption)と,PolyProtectと呼ばれるテンプレート保護方式を組み合わせた新しい手法を提案する。
提案手法は,非可逆性と無リンク性を保証し,ソフトバイオメトリック埋め込みの漏洩を効果的に防止する。
論文 参考訳（メタデータ） (2024-04-24T23:56:03Z) - Disentangle Before Anonymize: A Two-stage Framework for Attribute-preserved and Occlusion-robust De-identification [55.741525129613535]
匿名化前の混乱」は、新しい二段階フレームワーク(DBAF)である
このフレームワークには、Contrastive Identity Disentanglement (CID)モジュールとKey-authorized Reversible Identity Anonymization (KRIA)モジュールが含まれている。
大規模な実験により,本手法は最先端の非識別手法より優れていることが示された。
論文 参考訳（メタデータ） (2023-11-15T08:59:02Z) - PRO-Face S: Privacy-preserving Reversible Obfuscation of Face Images via
Secure Flow [69.78820726573935]
保護フローベースモデルを用いて,プライバシ保護による顔画像の可逆難読化(Reversible Obfuscation of Face image)を略してpro-Face Sと命名する。
本フレームワークでは、Invertible Neural Network(INN)を使用して、入力画像と、その事前難読化されたフォームとを処理し、事前難読化された画像と視覚的に近似したプライバシー保護された画像を生成する。
論文 参考訳（メタデータ） (2023-07-18T10:55:54Z) - CLIP2Protect: Protecting Facial Privacy using Text-Guided Makeup via
Adversarial Latent Search [10.16904417057085]
ディープラーニングベースの顔認識システムは、デジタル世界のユーザを無許可で追跡することができる。
既存のプライバシーを強化する方法は、ユーザー体験を損なうことなく、顔のプライバシーを保護することができる自然主義的なイメージを生成するのに失敗する。
本稿では,事前学習された生成モデルの低次元多様体における逆潜時符号の発見に依存する,顔のプライバシー保護のための新しい2段階のアプローチを提案する。
論文 参考訳（メタデータ） (2023-06-16T17:58:15Z) - OPOM: Customized Invisible Cloak towards Face Privacy Protection [58.07786010689529]
我々は、新しいタイプのカスタマイズクロークに基づく技術の観点から、顔のプライバシ保護について検討する。
本研究では,個人固有の(クラスワイドな)ユニバーサルマスクを生成するために,1人1マスク(OPOM)という新しい手法を提案する。
提案手法の有効性を,共通データセットと有名データセットの両方で評価した。
論文 参考訳（メタデータ） (2022-05-24T11:29:37Z) - FaceMAE: Privacy-Preserving Face Recognition via Masked Autoencoders [81.21440457805932]
顔のプライバシと認識性能を同時に考慮する新しいフレームワークFaceMAEを提案する。
ランダムにマスクされた顔画像は、FaceMAEの再構築モジュールのトレーニングに使用される。
また、いくつかの公開顔データセット上で十分なプライバシー保護顔認証を行う。
論文 参考訳（メタデータ） (2022-05-23T07:19:42Z) - 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。