Nov, 2023

HFORD：面部隐私保护的高保真度和抗遮挡去身份化

PDF
TL;DR通过在 GAN 反演空间中解耦身份和属性的方法，结合属性保留模块以提高鲁棒性，提出了一种高保真且抗遮挡的人脸去识别方法，实验证明其质量更高且能更好地保留细节、对遮挡具有更强的鲁棒性。
smart devicesface privacy protectionfacial de-identificationhigh-fidelity and occlusion-robust de-identificationgan inversion space
发现论文，激发创造
  • 面部综合识别中的身份特征解耦人脸合成

    本文介绍一种从异构数据扩充的视角出发的新型异构人脸识别方法 —— 具有身份属性解缠的人脸合成（FSIAD），在大量合成的图像中使用随机组合的解缠特征丰富图像属性的多样性，并将合成和原始图像同时用于训练网络，以提高异构人脸识别的性能。

    Jun, 2022

  • DisguisOR: 术室综合人脸匿名化

    我们提出使用多视角三维数据来匿名化多角度的手术室录像，借助 RGB 和深度图像，将多个摄像头的图像融合成场景的三维点云表示，利用参数化人体网格模型对检测到的三维人体关键点和融合的三维点云进行回归以定位面部，并在每个摄像头视角中渲染出人体网格模型，替换每个个体的面部。我们的方法在定位面部方面比现有方法表现更好，DisguisOR 通过对每个摄像头视角进行几何一致性的匿名化，实现了更真实、对下游任务的影响更小的匿名化，该方法旨在解决手术室中的障碍和拥挤对现有匿名化方法的不足，并为 Surgical Data Science 领域的后续研究提供潜在的便利。

    Jul, 2023

  • 面部去识别中提升保护的隐私保护光学技术

    通过硬件级别的人脸去识别方法，解决了软件级别的人脸去识别在隐私安全上的漏洞问题。

    Mar, 2024

  • 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

  • 利用对抗样本实现人脸生物特征去识别

    本文评估了使用两种广为人知的敌对生成方法 (BIM and ILLC) 来去识别个人图像的效果，并发现使用几乎不可察觉的敌对扰动来达到高的保护成功率 (抑制识别率) 并不容易。最后，我们发现敌对样本的可转移性受其生成网络的训练参数的影响非常大。

    Feb, 2023

  • 基于潜在代码优化的面部属性保护数据集匿名化

    本文提出了一种针对人脸图像数据集的匿名处理方案，采用生成对抗网络的潜在空间进行优化，解决现有方案中需要额外训练神经网络、没有保存面部特征等问题，实现了既保护隐私，又适合于训练机器学习模型的效果。

    Mar, 2023

  • IdentityDP: 人脸图像的差分隐私身份保护

    本研究提出了 IdentityDP，这是一个脸部数据去识别框架，结合了一种数据驱动的深度神经网络和差分隐私（DP）机制。通过该框架，可以有效地推断脸部相关信息，保留重要视觉相似性并生成高质量图像，同时在不预注释情况下提供多样性结果，以实际需求为依据调整隐私和效用平衡，可广泛应用于身份非特异性计算机视觉任务。

    Mar, 2021

  • 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

  • 视频中实时人脸去识别

    本研究提出了一种面部去识别方法，能够实现高帧速率的全自动视频修改，通过一种新型前馈编码器 - 解码器网络架构，在保持姿势、照明和表情不变的同时，尽可能最大程度减弱身份气息，网络具有全球性，能创建自然外观的图像序列，时间扭曲少。

    Nov, 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