隐私保护人像抠图
计算机视觉与模式识别
2021-07-30 v2 人工智能
摘要
近来，人们日益关注机器学习中使用个人可识别信息所引发的隐私问题。然而，以往的人像抠图方法都基于可识别的人像图像。为填补这一空白，我们在本文中提出 P3M-10k，这是首个用于隐私保护人像抠图（Privacy-Preserving Portrait Matting）的大规模匿名基准。P3M-10k 包含 10,000 张高分辨率人脸模糊的人像图像以及高质量的 alpha 抠图。我们在 P3M-10k 上系统评估了无 trimap 与基于 trimap 的抠图方法，发现现有抠图方法在遵循隐私保护训练（PPT）设定（即在人脸模糊图像上训练、在任意图像上测试）时表现出不同的泛化能力。为设计更好的无 trimap 人像抠图模型，我们提出 P3M-Net，其利用统一框架在语义感知与细节抠图上的能力，并特别强调二者与编码器之间的交互以促进抠图过程。在 P3M-10k 上的大量实验表明，P3M-Net 在客观指标与主观视觉质量上均优于最先进（state-of-the-art）方法。此外，它在 PPT 设定下展现出良好的泛化能力，证实了 P3M-10k 对推动未来研究与实现潜在实际应用的价值。源代码与数据集可在 https://github.com/JizhiziLi/P3M 获取。
引用
@article{arxiv.2104.14222,
title = {Privacy-Preserving Portrait Matting},
author = {Jizhizi Li and Sihan Ma and Jing Zhang and Dacheng Tao},
journal= {arXiv preprint arXiv:2104.14222},
year = {2021}
}
备注
Accepted to ACM Multimedia 2021, code and dataset available at https://github.com/JizhiziLi/P3M