Oct, 2021

FICGAN: 人脸身份可控式 GAN 用于去身份化

PDF
TL;DR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。
facial identity controllable ganprivacy protectionattribute preservationde-identificationautoencoder
发现论文，激发创造
  • 面部去识别隐私保护 GAN

    提出了一种基于隐私保护 GAN（PP-GAN）的新框架，将具有新颖真实性验证器和调节器模块的 GAN 用于人脸去识别问题，以确保在保持结构相似度的情况下产生去识别输出。该方法在隐私保护、实用保护和结构相似度方面的表现优于现有的人脸去识别技术，并提供了一种通过领域知识先验来封装 GAN 框架的实用解决方案。

    Jun, 2018

  • CIAGAN: 有条件身份匿名的生成对抗网络

    该论文提出了一种基于条件生成对抗网络的图像视频去标识化模型 CIAGAN，可以同时保证匿名性和多样性，用于保护隐私并在计算机视觉任务中得到高质量处理结果。

    May, 2020

  • FACEGAN：面部属性可控再现的 GAN

    本文介绍了一种基于动作单元控制的人脸重现 GAN（FACEGAN）算法，以解决在人脸动作重现过程中面部结构和身份信息的泄漏问题，并实验证明该算法相对于现有方法效果更好。

    Nov, 2020

  • 3D-FM GAN: 面部三维可控制变化

    提出了一种新的 3D 可控脸部操作方法：3D-FM GAN，通过将输入脸部图像和 3D 编辑的真实渲染相结合，可以提供高质量、身份保留、3D 可控的脸部操作，相较于现有技术，具有更好的可编辑性、更强的身份保护和更高的照片逼真度。

    Aug, 2022

  • GANonymization: 基于 GAN 的人脸匿名化框架，用于保留情绪表达

    本研究介绍了 GANonymization，一种基于生成对抗网络的面部匿名化框架，用于保护个人隐私并防止释放敏感信息。该方法被评估为能够移除识别面部属性，同时保持面部表情，是一种很有前途的面部匿名化方法。

    May, 2023

  • PrivacyGAN: 鲁棒的生成图像隐私

    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

  • GAN-Control: 明确可控的 GANs

    我们提出了一个具有明确控制 GAN 生成的图像的框架，借助于对抗性训练（GANs）、明确控制的潜在空间以及对人类的符号解释模型进行了对生成图像的控制，可扩展到人类脸谱以外的领域，实现了身份、年龄、姿态、表情、头发色彩和光照方面的控制，并且在画像和狗图像生成的领域中都展示了控制能力，同时表现出优良的定量和定性性能。

    Jan, 2021

  • StyleGAN 中的面孔身份感知解缠

    通过将 TypeIVBasicCard-B（T - 基本卡 - B）上的 TypeI 基本卡 - B（T - 基本卡 - B）与 TypeI 机读卡 - B（T - 机读卡 - B）及 TypeI 机读卡基础数据 - B（T - 基础数据机读卡 - B）结合设置在 TypeIV-B（T - 基本卡 - B）上，可按材料基础建立既定基本卡 - B（T - 既定基本卡 - B）；通过在 TypeIV-B（T - 基本卡 - B）上设置 TypeII 证件單位 - B（T - 证件單位 - B）及 TypeIII 办事处 - B（T - 办事处 - B），可在已有证件基本卡 - B（T - 证件基本卡 - B）填写办证所需信息后，通过已有证件基本卡 - B（T - 办证所需信息 B）向申请人提出开户要求，并通过设置 T - 证件基本卡 - B 展示及更新申请人概述 - B（T - 展示及更新申请人概述 - B）的一系列选定项 (B)，实现无法更新已有证件文件申请人开户要求。

    Sep, 2023

  • 基于生成式深度神经网络的人脸去识别化

    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

  • FPGAN-Control: 用于训练合成数据的可控指纹生成器

    使用合成数据训练指纹识别模型最近在生物特征学界引起了广泛关注，因为它减少了对敏感个人数据的依赖。我们提出了一种身份保留图像生成框架 FPGAN-Control，它能够控制生成指纹的图像外观，包括指纹类型、采集设备和压力水平等方面。我们实验证明了 FPGAN-Control 在身份保留水平、外观控制程度以及合成到真实数据领域差距方面的优点。据我们所知，这是首次证明只使用 FPGAN-Control 生成的合成数据进行训练可以达到甚至超过使用真实数据训练的模型的识别准确性。

    Oct, 2023