PerFace：基于感知面部相似度的度量学习用于增强面部匿名化
计算机视觉与模式识别
2025-09-25 v1
摘要
为应对日益增长的社会隐私意识，面部匿名化技术不断发展，包括出现的面部替换方法，即用一种身份替换另一种身份。在面部替换中实现匿名性与自然性的平衡需要谨慎选择身份：过于相似的面部会损害匿名性，而差异过大的面部则会降低自然性。然而，现有模型专注于二元身份分类"是否为同一人"，难以衡量细微的相似度差异，如"完全不同"与"高度相似但不同"。本文提出了一种基于人类感知的面部相似度度量，构建了包含6,400个三元组标注的数据集，并通过度量学习预测相似度。实验结果表明，该方法在面部相似度预测和基于属性的面部分类任务上均显著优于现有方法。
引用
@article{arxiv.2509.20281,
title = {PerFace: Metric Learning in Perceptual Facial Similarity for Enhanced Face Anonymization},
author = {Haruka Kumagai and Leslie Wöhler and Satoshi Ikehata and Kiyoharu Aizawa},
journal= {arXiv preprint arXiv:2509.20281},
year = {2025}
}