NullFace: トレーニング不要の局所的面匿名化

NullFace: Training-Free Localized Face Anonymization

March 11, 2025

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

cs.AI

要旨

デジタル時代において、増え続けるカメラに対するプライバシー懸念が高まっています。既存の匿名化手法は個人情報を隠蔽することが可能ですが、画像の有用性を維持する点で課題を抱えています。本研究では、個人識別に関連しない重要な属性を保持しつつ、顔を匿名化するトレーニング不要の手法を提案します。私たちのアプローチは、最適化やトレーニングを必要とせず、事前学習済みのテキストから画像への拡散モデルを活用します。まず、入力画像を反転させて初期ノイズを復元します。その後、ノイズを識別情報に条件付けられた拡散プロセスを通じて除去し、修正された識別情報埋め込みにより、匿名化された顔が元の個人と異なることを保証します。また、局所的な匿名化もサポートしており、ユーザーが匿名化する顔の領域を選択できる柔軟性を提供します。最先端の手法との包括的な比較評価により、本手法が匿名化、属性保持、画像品質の面で優れていることが示されました。その柔軟性、堅牢性、実用性から、実世界のアプリケーションに適していると言えます。コードとデータはhttps://github.com/hanweikung/nullfaceで公開されています。

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 .