面向任意身份的生成式遗忘

最近在大规模数据集上训练的生成模型的进展使得能够在各个领域合成高质量样本。此外，强反演网络的出现不仅能够重建真实世界图像，还能通过各种编辑方法修改属性。然而，在与隐私问题相关的某些领域，例如人脸，先进的生成模型和强反演方法可能导致潜在的滥用。在本文中，我们提出了一个必要但尚未充分探索的任务，称为生成式身份遗忘，它引导模型不生成特定身份的图像。在生成式身份遗忘中，我们针对以下目标：（i）防止生成具有特定身份的图像，以及（ii）保持生成模型的整体质量。为了满足这些目标，我们提出了一个新颖的框架，面向任意身份的生成式遗忘（GUIDE），它通过仅用一张图像遗忘生成器来防止特定身份的重建。GUIDE由两部分组成：（i）找到用于优化的目标点，以消除源潜在代码的身份，以及（ii）新颖的损失函数，促进遗忘过程同时减少对学习分布的影响。我们广泛的实验表明，我们提出的方法在生成式机器遗忘任务中达到了最先进的性能。代码可在https://github.com/KHU-AGI/GUIDE获取。