NullFace: Anonimizzazione Localizzata del Volto Senza Addestramento

NullFace: Training-Free Localized Face Anonymization

March 11, 2025

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

cs.AI

Abstract

Le preoccupazioni relative alla privacy legate al numero crescente di telecamere sono in aumento nell'era digitale odierna. Sebbene i metodi di anonimizzazione esistenti siano in grado di oscurare le informazioni sull'identità, spesso faticano a preservare l'utilità delle immagini. In questo lavoro, introduciamo un metodo per l'anonimizzazione del volto che non richiede addestramento e preserva gli attributi chiave non legati all'identità. Il nostro approccio utilizza un modello di diffusione pre-addestrato da testo a immagine senza necessità di ottimizzazione o addestramento. Inizia invertendo l'immagine di input per recuperare il rumore iniziale. Il rumore viene poi denoisato attraverso un processo di diffusione condizionato dall'identità, in cui gli embedding di identità modificati garantiscono che il volto anonimizzato sia distinto dall'identità originale. Il nostro approccio supporta anche l'anonimizzazione localizzata, dando agli utenti il controllo su quali regioni del volto anonimizzare o mantenere intatte. Valutazioni complete rispetto ai metodi più avanzati dimostrano che il nostro approccio eccelle in anonimizzazione, preservazione degli attributi e qualità dell'immagine. La sua flessibilità, robustezza e praticità lo rendono adatto per applicazioni nel mondo reale. Codice e dati sono disponibili all'indirizzo 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 .