基于潜码优化的属性保持人脸数据集匿名化
计算机视觉与模式识别
2023-03-21 v1
摘要
本工作解决图像数据集中人脸身份匿名化的问题，使得被描绘者的隐私不被侵犯，同时该数据集对下游任务（如训练机器学习模型）仍有用。据我们所知，我们首次明确解决此问题，并处理现有最优方法的两个主要缺陷，即它们（i）需要训练额外的、专门训练的神经网络，和/或（ii）未能在匿名化对应图像中保留原始图像的面部属性，而属性的保持对其在下游任务中的使用至关重要。我们相应地提出一种任务无关的匿名化流程，直接在预训练 GAN 的潜空间中对图像的潜表示进行优化。通过直接优化潜码，我们既确保身份与原始身份相距所需距离（通过身份混淆损失），又保留面部属性（使用 FaRL 深度特征空间中新颖的特征匹配损失）。我们通过一系列定性和定量实验证明，我们的方法能够对图像身份进行匿名化，同时——关键地——更好地保留面部属性。我们在 https://github.com/chi0tzp/FALCO 公开代码与预训练模型。
引用
@article{arxiv.2303.11296,
title = {Attribute-preserving Face Dataset Anonymization via Latent Code Optimization},
author = {Simone Barattin and Christos Tzelepis and Ioannis Patras and Nicu Sebe},
journal= {arXiv preprint arXiv:2303.11296},
year = {2023}
}
备注
Accepted for publication in CVPR 2023