基于双阶段提示驱动的隐私保护行人重识别范式
计算机视觉与模式识别
2025-11-10 v1
摘要
随着数据隐私 concern 的日益增长，研究者开始使用虚拟数据作为敏感真实世界图像在训练行人重识别（Re-ID）模型时的替代方案。然而，现有由游戏引擎生成的虚拟数据集仍面临构建复杂和域泛化性差的挑战，难以在实际场景中应用。为解决这些挑战，我们提出了双阶段提示驱动隐私保护范式（DPPP）。在第一阶段，我们生成包含行人外观、照明和视角等多维属性的丰富提示，驱动扩散模型端到端合成多样化数据，构建名为 GenePerson 的大规模虚拟数据集，包含 130,519 张 6,641 个身份证的图像。在第二阶段，我们提出了提示驱动的解耦机制（PDM），学习域不变的泛化特征。通过对比学习，我们使用两个文本反向映射网络将图像映射到分别表示风格和内容的伪词，从而构建风格解耦的内容提示，以指导模型在图像层面学习域不变的内容特征。实验表明，使用 PDM 在 GenePerson 上训练的模型在实际和虚拟 Re-ID 数据集上实现了领先的泛化性能。
引用
@article{arxiv.2511.05092,
title = {A Dual-stage Prompt-driven Privacy-preserving Paradigm for Person Re-Identification},
author = {Ruolin Li and Min Liu and Yuan Bian and Zhaoyang Li and Yuzhen Li and Xueping Wang and Yaonan Wang},
journal= {arXiv preprint arXiv:2511.05092},
year = {2025}
}
备注
10 pages, 6 figures