该研究提出了一种基于条件生成对抗网络的新型体系结构,可以在保留原始数据分布的同时自动地对图像中的人脸进行匿名处理,以隐私安全信息为基础生成图像实现了对图像中所有人脸的完全匿名化,并且引入了包括非传统姿势、遮挡脸部和背景变化巨大的人脸数据集。最后,该模型在保护图像隐私的同时也适合于进一步用于深度学习模型的训练。该模型是保证人脸匿名化的同时生成逼真图像的首个解决方案。
Sep, 2019
本文提出了一种基于自编码器的条件生成模型 Facial Identity Controllable GAN (FICGAN),利用 k-same 算法对面部图像进行去识别化处理,保证了隐私保护的同时提高了数据利用率。
Oct, 2021
我们提出了一种基于条件对抗学习的模型匿名化方法,将模型匿名化视为转换高和低空间频率信息的过程,并通过预训练的双流模型分类器将客观性与约束性相结合,以转换全范围的艺术品。
Feb, 2020
本文综述了如何使用生成对抗网络改善通过数据增广提高人员再识别模型性能的最新方法,主要聚焦于样式转移、姿态转移和随机生成三类数据增广方法。
Feb, 2023
该论文提出了一种新的方法来学习视频脸部匿名化,使用对抗训练设置,在像素级别修改以匿名化每个人的脸,以确保隐私敏感信息得到删除,并尽量减少对行动检测性能的影响。
Mar, 2018
本文提出了一种基于生成对抗网络 (GAN) 的自动面部老化方法,强调在改变面部属性的同时,保留原始人物身份。通过新颖的 GAN 潜在向量的 “身份保持” 优化方法,通过现有的面部识别和年龄估计解决方案,对所得到的老化和回复面部图像进行客观评价,证明了所提方法的高潜力。
Feb, 2017
该研究介绍了使用关注机制来进行人脸老化的 Attention 条件生成对抗网络(AcGANs)方法,不使用像素级损失,可以显著减少鬼影和模糊,达到更好的图像质量、个人身份和年龄准确性的超越性能。
Oct, 2019
使用 VQGAN 和 StyleGAN 等图像生成技术,我们提出了一种名为 PrivacyGAN 的新方法来保护面部图像的隐私,同时保持图像的可用性,特别适用于社交媒体应用。我们的方法通过将原始图像在嵌入空间内向伪装图像进行移动来实现,该方法在保护隐私指标和鲁棒性评估方面表现出了有效性。
Oct, 2023
利用生成型神经网络构建一个新的面部去标识化流程,它可以合成虚拟的替代面部并应用于图像和视频中去标识化受试者,同时保留非身份相关的数据方面,并且证实这种基于 GNN 的去标识化方法非常有效,其去标识化后的图像能够达到近似随机的识别效果。
Jul, 2017
该研究提出了一种基于深度卷积神经网络和条件类比生成对抗网络的图像类比问题求解方法,可以通过训练数据中成对图像的关系来生成具有该关系的图像,并且可以在时尚模特照片上自动交换服装,目前的实验结果表明该方法可以学习到成对图像间隐性的分割掩模,生成的图片效果较好,并提出了神经网络结构的改进和更高级的应用方向。
Sep, 2017