論文の概要: Private Face Recognition Training Dataset Publication via Identity-Decoupled and Geometry-Preserving Face Distillation

• arxiv url: http://arxiv.org/abs/2607.27764v1
• Date: Thu, 30 Jul 2026 07:01:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.428444
• Title: Private Face Recognition Training Dataset Publication via Identity-Decoupled and Geometry-Preserving Face Distillation
• Title（参考訳）: アイデンティティ分離・幾何保存型顔蒸留による個人顔認識訓練データセットの公開
• Abstract要約: プライベートな顔認識トレーニングデータセットのパブリッシングはプライバシーに敏感だ。 プライベートFRトレーニングデータセットの公開は、プライベートトレーニングフェイスの代替として保護されたプロキシをリリースすることによって、このリスクを軽減する。 アイデンティティ分離と幾何保存のためのフレームワークである textbfPrivate Face Distillation を提案する。
• 参考スコア（独自算出の注目度）: 28.373322317879936
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Publishing private face recognition~(FR) training datasets is privacy-sensitive because faces expose identity information. Private FR training dataset publication mitigates this risk by releasing protected proxies as substitutes for private training faces. However, training FR models with such data introduces an identity paradox: \emph{the identity cues that make released faces useful for recognition supervision are also the cues that make them linkable to real individuals.} A protected face should be decoupled from the original identity, yet still behave as a reliable identity sample for training. Removing these cues too aggressively may destroy the class structure needed for recognition learning, whereas preserving them too faithfully may increase source-identity linkability. We argue that this paradox stems from conflating source-aligned identity semantics with recognition-useful proxy identity geometry. The former should be suppressed to reduce linkage to private individuals, while the latter should be preserved for FR learning. Based on this insight, we propose \textbf{Private Face Distillation}, an identity-decoupling and geometry-preserving framework. It uses Orthogonal Geometry Preservation to construct decoupled proxy identities from private identity representations while maintaining hyperspherical geometry, and Relational Topology Alignment to preserve identity relations for recognition learning. Experiments across multiple domain-shifted FR scenarios show that Private Face Distillation achieves stronger utility than the evaluated publication baselines. On IJB-C surveillance, it improves $\mathrm{TAR}@\mathrm{FAR}{=}1\text{e-}{3}$ by 3.94\% over the baseline while reducing source-identity linkability. These results suggest that private FR training dataset publication should decouple source-identity correspondence while preserving proxy identity geometry.
• Abstract（参考訳）: プライベート顔認識〜(FR)トレーニングデータセットの公開は、顔がアイデンティティ情報を公開しているため、プライバシに敏感である。 プライベートFRトレーニングデータセットの公開は、プライベートトレーニングフェイスの代替として保護されたプロキシをリリースすることによって、このリスクを軽減する。 しかし、そのようなデータを用いてFRモデルを訓練すると、アイデンティティパラドックスがもたらされる: \emph{the identity cues that makes released face that useful for recognition supervision is also also the cues that makes it to real individuals。 } 保護された顔は、元のアイデンティティから切り離すべきですが、トレーニングの信頼できるアイデンティティサンプルとして動作します。 これらの手がかりを積極的に取り除くことは、認識学習に必要なクラス構造を破壊する可能性があるが、これらを忠実に保存することは、ソースアイデンティティの結合性を増大させる可能性がある。 このパラドックスは、ソース・アライン・アイデンティティ・セマンティクスと認識用プロキシ・アイデンティティ・ジオメトリを融合させることに由来すると我々は主張する。 前者は個人とのつながりを減らすために抑制され、後者はFR学習のために保存されるべきである。 この知見に基づいて,アイデンティティ分離と幾何保存のためのフレームワークである‘textbf{Private Face Distillation} を提案する。 直交幾何保存(Orthogonal Geometry Preservation)を用いて、超球形幾何を維持しながら、プライベートアイデンティティ表現から分離されたプロキシIDを構築する。 複数のドメインシフトFRシナリオに対する実験により、Private Face Distillationは評価された公開ベースラインよりも強力なユーティリティを実現することが示された。 IJB-C監視では、ソースアイデンティティのリンク性を低減しつつ、ベースライン上で$\mathrm{TAR}@\mathrm{FAR}{=}1\text{e-}{3}$を3.94\%改善する。 これらの結果は、プライベートFRトレーニングデータセットの公開は、プロキシアイデンティティーの幾何を維持しながら、ソースアイデンティティー対応を分離すべきであることを示唆している。

関連論文リスト

• WithEveryone: Unified Planning and Identity Grounding for Group Image Generation [60.528070962852716]
  グループイメージを最大10個の参照IDまで生成する統合フレームワークであるWithEveryoneを紹介した。 WithEveryoneは、それぞれの選択したIDをアドレストークンとして注入し、構造化されたID計画を予測する。 GPT-Image-2では0.462から0.499に改善され、コピー・ペースト・アーティファクトは0.169から0.055に削減された。
  論文  参考訳（メタデータ） (2026-08-20T17:59:53Z)
• PIU: Proximity-guided Identity Unlearning in ID-Conditioned Diffusion Models [2.260041671242786]
  我々は、顔生成のための最先端のアイデンティティ条件付き潜時拡散モデルであるArc2Faceでアイデンティティアンラーニングを研究する。 本稿では,Pu(Proximity-guided Identity Unlearning)について紹介する。
  論文  参考訳（メタデータ） (2026-05-21T10:55:56Z)
• SIDeR: Semantic Identity Decoupling for Unrestricted Face Privacy [53.75084833636302]
  本稿では,非制限顔プライバシー保護のためのセマンティックデカップリング駆動フレームワークSIDeRを提案する。 SIDeRは、顔画像をマシン認識可能な識別特徴ベクトルと視覚的に知覚可能なセマンティックな外観成分に分解する。 認証されたアクセスのために、SIDeRは正しいパスワードが提供されるときに元の形式に復元できる。
  論文  参考訳（メタデータ） (2026-02-04T19:30:48Z)
• FaceLinkGen: Rethinking Identity Leakage in Privacy-Preserving Face Recognition with Identity Extraction [10.685858393562205]
  元のピクセルを復元することなく、保護テンプレートから直接リンク/マッチングと顔の再生を行うID抽出攻撃であるFaceLinkGenを提案する。 その結果,PPFR評価に広く用いられている画素歪み測定値と,実際のプライバシとの間に構造的ギャップが明らかとなった。
  論文  参考訳（メタデータ） (2026-02-02T23:41:14Z)
• Beyond Inference Intervention: Identity-Decoupled Diffusion for Face Anonymization [55.29071072675132]
  顔の匿名化は、非同一性属性を保持しながら、識別情報を隠蔽することを目的としている。 トレーニング中心の匿名化フレームワークである textbfIDsuperscript2Face を提案する。 IDtextsuperscript2Faceは、視覚的品質、アイデンティティの抑制、ユーティリティ保存において、既存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） (2025-10-28T09:28:12Z)
• 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)
• 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。