GMFIM：一种用于隐私保护的生成式掩码引导人脸图像操控模型
计算机视觉与模式识别
2022-01-11 v1
摘要
社交媒体网站和应用程序的使用已非常普及，人们在这些网络上分享自己的照片。这些网络上对人物照片的自动识别与标记引发了隐私保护问题，用户寻求将其身份隐藏于这些算法之外的方法。生成对抗网络（GANs）已被证明在生成高多样性人脸图像及编辑人脸图像方面非常强大。本文中，我们提出一种基于 GANs 的生成式掩码引导人脸图像操控（GMFIM）模型，对输入人脸图像施加难以察觉的编辑以保护图像中人物的隐私。我们的模型由三个主要组件构成：a) 人脸掩码模块，从输入图像中切出人脸区域并去除背景；b) 基于 GAN 的优化模块，用于操控人脸图像并隐藏身份；c) 合并模块，用于将输入图像背景与处理后的去身份人脸图像结合。优化步骤的损失函数中考虑了不同准则，以生成与输入图像尽可能相似且无法被自动人脸识别（AFR）系统识别的高质量图像。在不同数据集上的实验结果表明，与现有最优方法相比，我们的模型在对抗自动人脸识别系统方面表现更优，在总计 18 项实验中的大多数取得了更高的攻击成功率。此外，我们所提模型生成的图像质量最高，也更悦目。
引用
@article{arxiv.2201.03353,
title = {GMFIM: A Generative Mask-guided Facial Image Manipulation Model for Privacy Preservation},
author = {Mohammad Hossein Khojaste and Nastaran Moradzadeh Farid and Ahmad Nickabadi},
journal= {arXiv preprint arXiv:2201.03353},
year = {2022}
}