G2Face：基于生成和几何先验的高保真可逆人脸隐私保护
计算机视觉与模式识别
2024-08-20 v1
摘要
可逆人脸隐私保护不同于传统人脸像素化，它用合成替代物替换面部图像中的敏感身份信息，同时保留图像清晰度。传统方法如编码器-解码器网络常因学习容量有限导致面部细节显著丢失。此外，依赖于预训练生成对抗网络（GAN）中的潜在操控可能导致ID无关属性变化，受GAN反向工程不准确影响，进而影响数据实用性。本文提出G\textsuperscript{2}Face，利用生成和几何先验增强身份操控，实现高质量可逆人脸隐私保护而不牺牲数据实用性。我们利用3D人脸模型从输入人脸中提取几何信息，将其与预训练GAN解码器集成。这种生成和几何先验的协同作用允许解码器产生几何一致的逼真匿名化人脸。此外，提取原始人脸的多尺度特征并通过我们新颖的身份感知特征融合块（IFF）与解码器结合，实现了对生成人脸纹理与原始ID无关特征的精确混合，从而实现准确的身份操控。大量实验表明，我们的方法在人脸隐私保护和恢复方面超越了现有最先进技术，同时保持高数据实用性。代码可在 https://github.com/Harxis/G2Face 获取。
引用
@article{arxiv.2408.09458,
title = {G2Face: High-Fidelity Reversible Face Anonymization via Generative and Geometric Priors},
author = {Haoxin Yang and Xuemiao Xu and Cheng Xu and Huaidong Zhang and Jing Qin and Yi Wang and Pheng-Ann Heng and Shengfeng He},
journal= {arXiv preprint arXiv:2408.09458},
year = {2024}
}