脱离推理干预：基于身份解耦扩散的人脸匿名化
计算机视觉与模式识别
2025-10-29 v1
摘要
人脸匿名化旨在隐藏身份信息，同时保留非身份属性。主流扩散模型依赖推理时干预（如负向引导或能量基优化），后置于训练之外以抑制身份特征。但这些干预常引入分布偏移，导致身份与非身份属性 entangled，降低视觉保真度和数据效用。为此，我们提出一种名为 ID²Face 的训练中心化匿名化框架，消除推理时优化的需求。我们方法的理念是学习一个结构化潜在空间，其中身份与非身份信息被显式解耦，实现推理时直接且可控的匿名化。为此，我们设计了一个带身份掩码学习方案的条件扩散模型。身份解耦潜在重构器使用身份变分自编码器建模身份特征，而非身份属性从相同身份的配对样本中提取并通过双向潜在对齐实现对齐。随后，身份引导潜在融合器通过软门控条件于噪声特征预测融合这些表示。模型以重构为基础的损失训练，以强制解耦。在推理时，通过从学习到的身份空间中采样随机身份向量实现匿名化。为进一步抑制身份泄露，我们引入一种正交身份映射策略，强制采样身份向量与源身份向量正交。实验表明，ID²Face 在视觉质量、身份抑制和效用保持方面均优于现有方法。
引用
@article{arxiv.2510.24213,
title = {Beyond Inference Intervention: Identity-Decoupled Diffusion for Face Anonymization},
author = {Haoxin Yang and Yihong Lin and Jingdan Kang and Xuemiao Xu and Yue Li and Cheng Xu and Shengfeng He},
journal= {arXiv preprint arXiv:2510.24213},
year = {2025}
}