面向上下文感知图像匿名化的多智能体推理

街景图像包含个人身份信息（PII），其中一些是上下文相关的。现有匿名化方法要么过度处理图像，要么遗漏细微标识符，而基于API的解决方案则损害数据主权。我们提出一个智能体框架CAIAMAR（上下文感知图像匿名化与多智能体推理），用于上下文感知的PII分割与基于扩散的匿名化，将预定义处理用于高置信度案例与多智能体推理用于间接标识符相结合。三个专门智能体通过PDCA（计划-执行-检查-行动）循环中的轮转发言者选择进行协调，使大型视觉语言模型能够基于空间上下文（私有与公共财产）而非刚性类别规则来分类PII。这些智能体实现了空间滤波的粗到细检测，其中侦察-缩放策略识别候选者，开放词汇分割处理局部裁剪，基于IoU的去重（30%阈值）防止冗余处理。模态特定的扩散引导与外观去相关显著降低了再识别（Re-ID）风险。在CUHK03-NP上，我们的方法将人员Re-ID风险降低了73%（R1: 16.9% vs. 62.4%基线）。在CityScapes上实现图像质量保留，我们达到KID: 0.001和FID: 9.1，显著优于现有匿名化方法。智能体工作流跨对象类别检测非直接PII实例，并保留下游语义分割。该框架完全在本地运行，使用开源模型，生成人类可解释的审计轨迹，支持欧盟GDPR透明度要求，同时标记失败案例供人工审查。