CVPRJun, 2024

我身体我选择：以人为本的全身匿名化

PDF
TL;DR在越来越多关注在线私密性的时代，我们提出内容出现与否的决定应仅由身体的主人决定。尽管已经提出了一些全身匿名化的自动方法，但人类引导的匿名化可以适应各种情境，如文化规范、个人关系、审美考虑和安全问题。"My Body My Choice"（MBMC）通过移除和交换方法实现身体和对抗匿名化，旨在进行四项任务，由单个或多个 ControlNet 或 GAN 模块设计，并结合几种扩散模型。我们对七个数据集进行了匿名化评估；与 SOTA 图像修复和匿名化方法进行了比较；通过图像、对抗和生成度量进行了评估；并进行了重新识别实验。
privacy concernsonline presenceanonymizationmy body my choiceadversarial anonymization
发现论文，激发创造
  • 我的脸我的选择：用于社交媒体匿名化的增强隐私深度伪造技术

    该研究介绍了三种人脸访问模型，使用深假面替换未经批准的面孔，并提出了适用于此任务的新度量标准，通过在真实数据集和两个合成数据集上测试，证明了该系统的有效性，并对相似性度量、深假面生成器和数据集进行了广泛分析。

    Nov, 2022

  • AnonymousNet：可度量隐私的自然人脸去身份化方法

    本文提出了一种名为 AnonymousNet 的新框架，该框架包含四个阶段：面部属性估计、以隐私指标为导向的面部模糊处理、定向自然图像合成和对抗扰动。AnonymousNet 不仅在图像质量和属性预测准确性方面取得了最先进的成果，而且还首次展示了面部隐私的可衡量性和可分解性，以满足不同的要求和应用场景。实验进一步证明了该框架的有效性。

    Apr, 2019

  • 可学习的保护隐私的行人图像匿名化

    本文探讨了一种隐私保护的匿名化方法，它针对行人图像保留授权模型的个人身份信息（PII），同时防止第三方识别 PII。通过采用前沿的可逆学习方法，把传统隐私保护的监督式匿名方法与身份不变模型相结合训练，以保护隐私并在保证行人图像语义信息完整的同时，在重新识别任务中取得了较好的表现。

    Jul, 2022

  • AI 技术对特征保留上下文中的工业图像和视频数据进行匿名化研究

    随着技术的不断提升，保护隐私信息变得越来越重要。本研究应用基于深度学习的全身匿名化框架 DeepPrivacy2，将人工身份生成应用于工业图像和视频数据，并与传统匿名化技术进行性能比较，考虑了身份生成质量、时间一致性以及姿势估计和动作识别的适用性。

    May, 2024

  • 学习面部匿名化技术以保护隐私的动作检测

    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

  • 图片匿名化是否影响计算机视觉训练？

    本文研究图像匿名化对计算机视觉模型训练的影响，检验了传统和逼真匿名化对人脸和全身数据集中检测、实例分割和姿态估计任务的影响，结果表明逼真匿名化最大降低可达到维护隐私的同时保持计算机视觉模型性能。

    Jun, 2023

  • 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

  • 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

  • 使用对抗扩充的方法估计人体尺寸

    本文介绍了一种基于 BMnet 和 ABS 的人体测量网络，能够从轮廓图像中估计人体形状的 3D 人类测量结果，并提高预测精度。

    Oct, 2022

  • 通过解缠匿名化医学案例说明

    提出了一种用于医学图像匿名化的新方法，通过解开图像中的特征向量，实现对身份信息和医学特征的分离，进而制造合成的隐私保护身份用于替代原始图像的身份，实验表明该方法能够生成逼真的匿名图像并保留其原始医学内容。

    Nov, 2023