NullFace: 학습 없이도 가능한 지역적 얼굴 익명화 기술

NullFace: Training-Free Localized Face Anonymization

March 11, 2025

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

cs.AI

초록

오늘날 디지털 시대에 점점 증가하는 카메라 수로 인해 프라이버시에 대한 우려가 커지고 있습니다. 기존의 익명화 방법들은 신원 정보를 숨기는 데는 성공하지만, 이미지의 유용성을 보존하는 데는 어려움을 겪는 경우가 많습니다. 본 연구에서는 신원과 무관한 주요 속성을 보존하면서 얼굴 익명화를 수행하는 학습이 필요 없는 방법을 소개합니다. 우리의 접근 방식은 최적화나 학습이 필요 없는 사전 학습된 텍스트-이미지 확산 모델을 활용합니다. 이 방법은 입력 이미지를 역변환하여 초기 노이즈를 복구하는 것으로 시작합니다. 그런 다음, 수정된 신원 임베딩을 통해 원래 신원과 구별되는 익명화된 얼굴을 보장하는 신원 조건부 확산 과정을 통해 노이즈를 제거합니다. 또한, 우리의 접근 방식은 지역적 익명화를 지원하여 사용자가 어떤 얼굴 영역을 익명화하거나 그대로 유지할지 제어할 수 있게 합니다. 최신 방법들과의 포괄적인 평가 결과, 우리의 접근 방식은 익명화, 속성 보존, 이미지 품질 측면에서 뛰어난 성능을 보여줍니다. 이 방법의 유연성, 견고성, 실용성은 실제 응용 분야에 적합하도록 만들어줍니다. 코드와 데이터는 https://github.com/hanweikung/nullface에서 확인할 수 있습니다.

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 .