GaitProtector：通过免训练扩散潜空间优化的模仿驱动步态去识别
计算机视觉与模式识别
2026-05-13 v1
摘要
传统的步态去识别方法常常面临一个固有的权衡：它们要么提供的身份抑制不足，要么引入时空失真，从而阻碍对结构敏感的下游应用。我们提出了GaitProtector，一个模仿驱动的步态去识别框架，它将隐私保护表述为一个具有两个紧密耦合组件的统一目标：(i) 混淆，使受保护的步态远离源身份，以及 (ii) 模仿，使其向选定的目标身份靠近。目标身份作为一个语义锚点，在预训练扩散先验下将优化偏向于结构上合理的步态模式，有助于保留主要的身体形状和运动动力学。我们通过一个免训练的扩散潜空间优化流程来实现这一想法。我们不是为每个数据集重新训练生成器，而是将每个输入轮廓序列反演到预训练的3D视频扩散模型的潜轨迹中，并使用可微分的对抗目标迭代优化潜代码，以合成受保护的步态。在CASIA-B数据集上的实验表明，GaitProtector在黑盒步态识别下实现了56.7%的模仿成功率，并将Rank-1识别准确率从89.6%降低到15.0%，同时保持了良好的视觉和时间质量。我们进一步在Scoliosis1K数据集上评估了下游效用，诊断准确率仅从91.4%下降到74.2%。据我们所知，这项工作首次以免训练的方式利用预训练的3D扩散先验进行基于轮廓的步态去识别。
引用
@article{arxiv.2605.12431,
title = {GaitProtector: Impersonation-Driven Gait De-Identification via Training-Free Diffusion Latent Optimization},
author = {Huiran Duan and Qian Zhou and Zhongliang Guo and Junhao Dong and Yuqi Li and Guoying Zhao and Yingli Tian},
journal= {arXiv preprint arXiv:2605.12431},
year = {2026}
}
备注
Accepted to the 20th IEEE International Conference on Automatic Face and Gesture Recognition (FG 2026)