MMMay, 2023

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

PDF
TL;DR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。
发现论文，激发创造
  • GANs 重建匿名化面部特征的 Refacing 技术

    本研究利用 CycleGAN 无监督图像转换框架，分别对面部有模糊和无脸部的 T1 MR 图像进行匿名化测试。结果表明，进行脸部模糊可能无法提供足够的保护措施，而脸部去除虽然提供更强的匿名化保护，但仍部分可逆。

    Oct, 2018

  • 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

  • DeepPrivacy：一种用于人脸去识别的生成性对抗网络

    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

  • 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

  • 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

  • 基于 VGAN 的图像表征学习方法 用于保护隐私的面部表情识别

    本文提出了一种 PPRL-VGAN 模型，可实现面部表情识别和高质量图像生成，并在保护用户隐私和数据实用性方面取得了一定平衡。

    Mar, 2018

  • 基于条件生成对抗网络的人脸老化

    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

  • 一种基于面部替换的身份混淆混合模型

    本研究提出了一种混合方法，通过头部替换来混淆照片中的身份信息，结合参数化人脸合成技术和生成对抗网络的最新进展，该方法可以对面部参数进行控制并允许对身份进行显式操作，并且可以添加细节和整体逼真度，实验结果表明该系统的输出相对原始图像的相似度更高，同时改进了遮蔽率。

    Apr, 2018

  • FICGAN: 人脸身份可控式 GAN 用于去身份化

    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

  • 基于密码限制的人脸身份转换的匿名化与还原

    提出一种面部身份变换器，实现基于密码的自动逼真化匿名化以及出现在视觉数据中的人脸的去匿名化，而不损害隐私。该方法可以使用多模态密码对面部进行匿名化和去匿名化，与现有的匿名化方法相比，不会损害隐私。

    Nov, 2019