安全假脸：评估人脸匿名化方法对人脸检测器的影响
计算机视觉与模式识别
2021-04-26 v1
摘要
自 GDPR 与 CCPA 法规出台以来，公共与私人面部图像数据集受到日益严格的审查。若干数据集已被完全下线，部分则进行了匿名化处理。然而，匿名化如何影响人脸检测性能尚不清楚。据我们所知，本文首次对图像匿名化在监督式训练人脸检测器上的影响进行了实证研究。我们通过在使用匿名化数据训练现成人脸检测器，将传统人脸匿名化方法与三种最先进的基于生成对抗网络（GAN）的方法进行比较。我们的实验考察了匿名化方法维持人脸检测器性能的适用性、检测器对匿名化伪影过训练的影响、训练匿名化器所需的数据集规模，以及匿名化 GAN 训练时间的影响。最后一项实验考察了常用 GAN 评估指标与训练后人脸检测器性能之间的相关性。尽管所有被测匿名化方法都降低了训练后人脸检测器的性能，但使用 GAN 匿名化的人脸造成的性能下降远小于传统方法。最重要的发现是，性能最佳的 GAN——DeepPrivacy，在为基于匿名化数据训练的人脸检测器去除可识别人脸的同时，仅导致 mAP 从 91.0 小幅降至 88.3。近年来，GAN 生成人脸的真实感有了快速提升。我们预期 GAN 研究的进一步进展将使得利用深度伪造（Deep Fake）技术实现保护隐私的“安全假脸”成为可能，且不会对人脸检测器训练造成任何性能下降。
引用
@article{arxiv.2104.11721,
title = {Safe Fakes: Evaluating Face Anonymizers for Face Detectors},
author = {Sander R. Klomp and Matthew van Rijn and Rob G. J. Wijnhoven and Cees G. M. Snoek and Peter H. N. de With},
journal= {arXiv preprint arXiv:2104.11721},
year = {2021}
}