StyleID：用于人脸匿名化的身份解耦方法

机器学习模型的隐私问题是阻碍人工智能（AI）广泛应用的剩余挑战之一。本文在含人脸图像数据集的背景下考虑此问题。由于此类数据集在自动驾驶汽车训练中的核心作用以及监控系统产生的大量数据，其匿名化正变得愈发重要。虽然多数已有工作通过在像素空间修改身份特征来对人脸图像去标识，我们则将图像投影到生成对抗网络（GAN）模型的潜空间，寻找提供最大身份解耦的特征，随后在潜空间、像素空间或二者中操纵这些特征。本文的主要贡献是设计了一个保特征匿名化框架 StyleID，其在保护个体身份的同时，尽可能保留图像数据集中原始人脸的诸多特性。作为贡献的一部分，我们提出了一种新颖的解耦度量、三种互补的解耦方法，以及对身份解耦的新见解。StyleID 提供可调隐私、计算复杂度低，并被证明优于当前最先进的方案。