StyleGAN 作为一种保持效用的人脸去标识方法
计算机视觉与模式识别
2023-09-01 v2 密码学与安全
机器学习
摘要
已有一些人脸去标识方法被提出，通过模糊用户面部来保护其隐私。然而，这些方法会降低照片质量，且通常不能保持人脸的效用，即年龄、性别、姿态和面部表情。近来，诸如 StyleGAN 之类的 GAN 被提出，其能生成逼真、高质量的虚构人脸。本文中，我们研究通过风格混合使用 StyleGAN 生成去标识人脸。我们通过实施若干人脸检测、验证和识别攻击并进行用户研究，检验了该去标识方法对效用和隐私的保持能力。我们大量实验、人类评估以及与两种最先进方法（即 CIAGAN 和 DeepPrivacy）的比较结果表明，StyleGAN 在保护用户隐私和图像效用方面表现与这些方法相当或更好。特别是，基于机器学习的实验结果显示，StyleGAN0-4 在保持与 CIAGAN 和 DeepPrivacy 相同隐私水平的同时，比它们更好地保持了效用。StyleGAN0-3 在保持相同效用水平的同时提供了更多隐私。本文中，我们首次精心设计并实施了用户研究，从人类观察者的角度考察 StyleGAN0-3、0-4 和 0-5 以及 CIAGAN 和 DeepPrivacy 的隐私与效用保持特性。我们的统计检验表明，参与者往往比 DeepPrivacy 图像更容易验证和识别 StyleGAN0-5 图像。除 StyleGAN0-5 外，所有方法的识别率均显著低于 CIAGAN。关于效用，正如预期，StyleGAN0-5 在保持某些属性方面表现显著更好。在所有方法中，参与者平均认为性别被保持得最多，而自然度被保持得最少。
引用
@article{arxiv.2212.02611,
title = {StyleGAN as a Utility-Preserving Face De-identification Method},
author = {Seyyed Mohammad Sadegh Moosavi Khorzooghi and Shirin Nilizadeh},
journal= {arXiv preprint arXiv:2212.02611},
year = {2023}
}