NullFace : Anonymisation localisée des visages sans apprentissage

NullFace: Training-Free Localized Face Anonymization

March 11, 2025

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

cs.AI

Résumé

Les préoccupations concernant la confidentialité face au nombre croissant de caméras augmentent dans l'ère numérique actuelle. Bien que les méthodes d'anonymisation existantes parviennent à masquer les informations d'identité, elles peinent souvent à préserver l'utilité des images. Dans ce travail, nous présentons une méthode sans apprentissage pour l'anonymisation des visages qui conserve les attributs clés non liés à l'identité. Notre approche utilise un modèle de diffusion texte-image pré-entraîné sans nécessiter d'optimisation ou d'apprentissage. Elle commence par inverser l'image d'entrée pour retrouver son bruit initial. Le bruit est ensuite débruité via un processus de diffusion conditionné par l'identité, où des embeddings d'identité modifiés garantissent que le visage anonymisé est distinct de l'identité originale. Notre approche prend également en charge l'anonymisation localisée, offrant aux utilisateurs le contrôle des régions faciales à anonymiser ou à conserver intactes. Des évaluations approfondies par rapport aux méthodes de pointe montrent que notre approche excelle en anonymisation, préservation des attributs et qualité d'image. Sa flexibilité, robustesse et praticabilité la rendent bien adaptée aux applications réelles. Le code et les données sont disponibles à l'adresse 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 .