去标识化而不丢失人脸

用于计算机视觉的深度学习模型训练需要来自真实世界的大型图像或视频数据集。在收集此类数据集时，我们通常需要保护图像或视频中人物的隐私，同时仍保留诸如面部表情等有用属性。在本工作中，我们描述了一种新的面部去标识化方法，能够在隐藏身份的同时保留面部中的本质属性。我们的方法利用了近期面部属性迁移模型的进展，同时保持高视觉质量。我们的方法不是改变原始人脸的因素或完全合成人脸，而是使用训练好的面部属性迁移模型，将非身份相关的面部属性映射到捐赠者的人脸上，捐赠者是少量（通常 2 到 3 名）已同意的受试者。使用捐赠者的人脸确保了合成人脸的自然外观，同时确保了合成人脸的身份被改变。另一方面，FATM 将捐赠者的面部属性与原始人脸的属性相融合，以使合成人脸的外观多样化。在若干图像和视频集上的实验结果证明了我们的面部去标识化算法的有效性。