NullFace: Anonimização Localizada de Rostos sem Treinamento

NullFace: Training-Free Localized Face Anonymization

March 11, 2025

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

cs.AI

Resumo

As preocupações com a privacidade em torno do número crescente de câmeras estão aumentando na era digital atual. Embora os métodos de anonimização existentes sejam capazes de obscurecer informações de identidade, eles frequentemente têm dificuldade em preservar a utilidade das imagens. Neste trabalho, introduzimos um método livre de treinamento para anonimização de rostos que preserva atributos-chave não relacionados à identidade. Nossa abordagem utiliza um modelo de difusão texto-imagem pré-treinado sem a necessidade de otimização ou treinamento. Ela começa invertendo a imagem de entrada para recuperar seu ruído inicial. O ruído é então desnaturado por meio de um processo de difusão condicionado à identidade, onde embeddings de identidade modificados garantem que o rosto anonimizado seja distinto da identidade original. Nossa abordagem também suporta anonimização localizada, dando aos usuários controle sobre quais regiões faciais são anonimizadas ou mantidas intactas. Avaliações abrangentes em comparação com métodos state-of-the-art mostram que nossa abordagem se destaca em anonimização, preservação de atributos e qualidade de imagem. Sua flexibilidade, robustez e praticidade a tornam bem adequada para aplicações do mundo real. O código e os dados podem ser encontrados em 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 .