論文の概要: Damnatio Memoriae: Adversarially and Selectively Forgetting Identities in the Embedding Space of Face Recognition Models

• arxiv url: http://arxiv.org/abs/2609.27115v1
• Date: Tue, 22 Sep 2026 22:10:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.787502
• Title: Damnatio Memoriae: Adversarially and Selectively Forgetting Identities in the Embedding Space of Face Recognition Models
• Title（参考訳）: Damnatio Memoriae: 顔認識モデルの埋め込み空間における不確かさの相対的および選択的予測
• Abstract要約: 顔認識モデルは、埋め込み類似性が動作しきい値を超えた場合に、別回に記録された人の2つの画像をリンクする。 我々は、選択されたアイデンティティを、別の機会でリンクできないようにすることを検討する。 本研究は3つの損失関数を提案する。1つはアイデンティティの埋め込みをセントロイドから分散させるもので、もう1つはイメージを自身のほぼ直交ターゲットにマッピングするものである。
• 参考スコア（独自算出の注目度）: 25.007371375356826
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A face recognition model links two images of a person recorded on separate occasions when their embedding similarity exceeds an operating threshold. We consider making chosen identities unlinkable across separate occasions while the model remains in service for the rest of the population. Deleting their images and retraining does not achieve this, since the model recognises identities never observed in training. Therefore, the embedding space must be altered against these identities, the process of which we call open-set adversarial forgetting. We propose three loss functions, one that disperses an identity's embeddings from their centroid, and two that map each image onto its own near-orthogonal target, learnt with the classifier head or fixed in advance as an almost-orthonormal frame. Each is fine-tuned alongside the classification objective on a subset of each identity's images. We evaluate them against four methods from prior work in verification and identification, at two forget scales and three backbones. Every loss acting on the embedding geometry makes the forget identities nearly unidentifiable. The orthonormal frame alone achieves strong forgetting, which holds wherever an image of that subset enters the comparison and leaves distinct forget identities unlinkable. It also surpasses a concurrent unsupervised method at a higher retain rate.
• Abstract（参考訳）: 顔認識モデルは、埋め込み類似性が動作しきい値を超えた場合に、別回に記録された人の2つの画像をリンクする。 我々は、選択されたアイデンティティを、別の機会でリンクできないようにすることを検討する。 イメージの削除と再トレーニングは、トレーニングで観測されなかったアイデンティティを認識するモデルであるため、これを実現することはできない。 したがって、埋め込み空間はこれらのアイデンティティに対して変更されなければならない。 3つの損失関数を提案する。1つはアイデンティティの埋め込みをセントロイドから分散させ、もう1つはイメージを自身のほぼ直交するターゲットにマッピングし、分類器ヘッドで学習するか、あるいは前もってほぼ直交するフレームとして固定する。 各アイデンティティのイメージのサブセットに対して、分類対象とともに微調整される。 検証と識別の先行作業から,2つの尺度と3つのバックボーンにおいて,これらを4つの手法で評価した。 埋め込み幾何学に作用するすべての損失は、忘れたアイデンティティをほとんど特定できない。 正規直交フレームのみが強い忘れ込みを達成し、その部分集合のイメージが比較に入り、異なる忘れのアイデンティティをリンクできないままにしておく。 また、より高い保持率で同時に教師なしのメソッドを超越する。

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)
• NearID: Identity Representation Learning via Near-identity Distractors [116.71529576796605]
  既存のビジョンエンコーダは、オブジェクトのアイデンティティを背景コンテキストと絡み合わせることで、信頼性の低い表現やメトリクスを生み出します。 我々は、この脆弱性に対処するための最初の原則付きフレームワークをNear-identity distractorsを使って紹介する。 我々は、厳密なマージンベースの評価プロトコルとともに、NearIDデータセット(19KのID、316Kの一致したコンテキストインタプリタ)を提示する。
  論文  参考訳（メタデータ） (2026-04-02T12:33:14Z)
• 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)
• WithAnyone: Towards Controllable and ID Consistent Image Generation [83.55786496542062]
  アイデンティティ・一貫性・ジェネレーションは、テキスト・ツー・イメージ研究において重要な焦点となっている。 マルチパーソンシナリオに適した大規模ペアデータセットを開発する。 本稿では,データと多様性のバランスをとるためにペアデータを活用する,対照的なアイデンティティ損失を持つ新たなトレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-16T17:59:54Z)
• StableIdentity: Inserting Anybody into Anywhere at First Sight [57.99693188913382]
  一つの顔画像で同一性に一貫性のある再テクスチャ化を可能にするStableIdentityを提案する。 私たちは、1つの画像から学んだアイデンティティを直接、微調整なしでビデオ/3D生成に注入する最初の人です。
  論文  参考訳（メタデータ） (2024-01-29T09:06:15Z)
• Reinforced Disentanglement for Face Swapping without Skip Connection [18.97633893837313]
  我々は、スキップ接続を取り除き、2つのターゲットエンコーダを使用する「WSCスワップ」と呼ばれる新しいフェイススワップフレームワークを導入する。 我々の結果は、アイデンティティの整合性を測定するための新しい指標を含む、リッチなメトリクスセットに関する以前の研究よりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-07-16T02:44:19Z)
• 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。