NullFace: Trainingsvrije gelokaliseerde gezichtsanonymisering

NullFace: Training-Free Localized Face Anonymization

March 11, 2025

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

cs.AI

Samenvatting

Privacyzorgen rondom het steeds toenemende aantal camera's nemen toe in het huidige digitale tijdperk. Hoewel bestaande anonimiseringsmethoden in staat zijn om identiteitsinformatie te verbergen, hebben ze vaak moeite om de bruikbaarheid van de afbeeldingen te behouden. In dit werk introduceren we een trainingsvrije methode voor gezichtsanonymisering die belangrijke niet-identiteitsgerelateerde attributen behoudt. Onze aanpak maakt gebruik van een vooraf getraind tekst-naar-beeld diffusiemodel zonder optimalisatie of training te vereisen. Het begint met het inverteren van de invoerafbeelding om het initiële ruis te herstellen. De ruis wordt vervolgens gedenoised via een identiteitsgeconditioneerd diffusieproces, waarbij aangepaste identiteitsembeddingen ervoor zorgen dat het geanonimiseerde gezicht verschilt van de oorspronkelijke identiteit. Onze aanpak ondersteunt ook gelokaliseerde anonymisering, waardoor gebruikers controle hebben over welke gezichtsregio's worden geanonimiseerd of intact blijven. Uitgebreide evaluaties in vergelijking met state-of-the-art methoden laten zien dat onze aanpak uitblinkt in anonymisering, attribuutbehoud en beeldkwaliteit. De flexibiliteit, robuustheid en praktische bruikbaarheid maken het geschikt voor real-world toepassingen. Code en data zijn te vinden op 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 .