論文の概要: Controllable Localized Face Anonymization Via Diffusion Inpainting

• arxiv url: http://arxiv.org/abs/2509.14866v1
• Date: Thu, 18 Sep 2025 11:33:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.191511
• Title: Controllable Localized Face Anonymization Via Diffusion Inpainting
• Title（参考訳）: 拡散塗布による局所顔の匿名化制御
• Authors: Ali Salar, Qing Liu, Guoying Zhao,
• Abstract要約: そこで本研究では,遅延拡散モデルの塗装能力を活用して,現実的な匿名化画像を生成する統一フレームワークを提案する。 従来の手法とは異なり、アダプティブ属性誘導モジュールを設計することで、匿名化プロセスを完全に制御できる。 当社のフレームワークはローカライズされた匿名化もサポートしており、ユーザーはどの顔領域が変更されていないかを指定できる。
• 参考スコア（独自算出の注目度）: 18.73892789113179
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The growing use of portrait images in computer vision highlights the need to protect personal identities. At the same time, anonymized images must remain useful for downstream computer vision tasks. In this work, we propose a unified framework that leverages the inpainting ability of latent diffusion models to generate realistic anonymized images. Unlike prior approaches, we have complete control over the anonymization process by designing an adaptive attribute-guidance module that applies gradient correction during the reverse denoising process, aligning the facial attributes of the generated image with those of the synthesized target image. Our framework also supports localized anonymization, allowing users to specify which facial regions are left unchanged. Extensive experiments conducted on the public CelebA-HQ and FFHQ datasets show that our method outperforms state-of-the-art approaches while requiring no additional model training. The source code is available on our page.
• Abstract（参考訳）: コンピュータビジョンにおける肖像画の利用の増加は、個人のアイデンティティを保護する必要性を浮き彫りにしている。 同時に、匿名化された画像は、下流のコンピュータビジョンタスクに有用でなければならない。 そこで本研究では,遅延拡散モデルの塗装能力を活用して,現実的な匿名化画像を生成する統一フレームワークを提案する。 従来の手法とは違って,生成した画像の顔属性と合成対象画像の顔属性を整合させて,逆復調処理中に勾配補正を行う適応属性誘導モジュールを設計することで,匿名化処理を完全に制御できる。 当社のフレームワークはローカライズされた匿名化もサポートしており、ユーザーはどの顔領域が変更されていないかを指定できる。 CelebA-HQとFFHQのデータセットで実施された大規模な実験により、我々の手法は、新たなモデルトレーニングを必要とせず、最先端のアプローチよりも優れていることが示された。 ソースコードは私たちのページにある。

関連論文リスト

• NullFace: Training-Free Localized Face Anonymization [47.465206562914396]
  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。
  論文  参考訳（メタデータ） (2025-03-11T14:29:37Z)
• 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)
• Face Anonymization Made Simple [44.24233169815565]
  現在の顔の匿名化技術は、しばしば、不正確で信頼性の低い顔認識モデルによって計算されたアイデンティティ損失に依存する。 対照的に,本手法では再建損失のみを伴う拡散モデルを用いて,顔のランドマークやマスクの必要性を排除している。 本モデルは,アイデンティティの匿名化,顔の保存,画質の3つの重要な領域において,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-11-01T17:45:21Z)
• 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、公民権に重大な脅威をもたらす。 この不正行為を防止するため、操作過程を妨害する積極的な防御法が提案されている。 本稿では,IDガード(ID-Guard)と呼ばれる顔の操作に対処するための普遍的な枠組みを提案する。
  論文  参考訳（メタデータ） (2024-09-20T09:30:08Z)
• Latent Diffusion Models for Attribute-Preserving Image Anonymization [4.080920304681247]
  本稿では,遅延拡散モデル(LDM)に基づく画像匿名化への最初のアプローチを提案する。 CAFLaGE-Baseは、事前訓練された制御ネットと、実画像と匿名画像との距離を増やすために設計された新しい制御機構を組み合わせた2つのLCMを提案する。
  論文  参考訳（メタデータ） (2024-03-21T19:09:21Z)
• 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)

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。