NullFace: Anonimización Facial Localizada sin Entrenamiento

NullFace: Training-Free Localized Face Anonymization

March 11, 2025

Autores: Han-Wei Kung, Tuomas Varanka, Terence Sim, Nicu Sebe

cs.AI

Resumen

Las preocupaciones sobre la privacidad en torno al creciente número de cámaras están aumentando en la era digital actual. Aunque los métodos de anonimización existentes pueden ocultar la información de identidad, a menudo tienen dificultades para preservar la utilidad de las imágenes. En este trabajo, presentamos un método libre de entrenamiento para la anonimización de rostros que preserva atributos clave no relacionados con la identidad. Nuestro enfoque utiliza un modelo de difusión de texto a imagen preentrenado sin necesidad de optimización o entrenamiento. Comienza invirtiendo la imagen de entrada para recuperar su ruido inicial. Luego, el ruido se reduce mediante un proceso de difusión condicionado por la identidad, donde las incrustaciones de identidad modificadas aseguran que el rostro anonimizado sea distinto de la identidad original. Nuestro enfoque también admite la anonimización localizada, dando a los usuarios control sobre qué regiones faciales se anonimizan o se mantienen intactas. Evaluaciones exhaustivas frente a métodos de vanguardia muestran que nuestro enfoque sobresale en anonimización, preservación de atributos y calidad de imagen. Su flexibilidad, robustez y practicidad lo hacen adecuado para aplicaciones del mundo real. El código y los datos se pueden encontrar en https://github.com/hanweikung/nullface.

English

Privacy concerns around ever increasing number of cameras are increasing in today's digital age. Although existing anonymization methods are able to obscure identity information, they often struggle to preserve the utility of the images. In this work, we introduce a training-free method for face anonymization that preserves key non-identity-related attributes. Our approach utilizes a pre-trained text-to-image diffusion model without requiring optimization or training. It begins by inverting the input image to recover its initial noise. The noise is then denoised through an identity-conditioned diffusion process, where modified identity embeddings ensure the anonymized face is distinct from the original identity. Our approach also supports localized anonymization, giving users control over which facial regions are anonymized or kept intact. Comprehensive evaluations against state-of-the-art methods show our approach excels in anonymization, attribute preservation, and image quality. Its flexibility, robustness, and practicality make it well-suited for real-world applications. Code and data can be found at https://github.com/hanweikung/nullface .