NullFace: Бесплатное обучение для локализованной анонимизации лиц

NullFace: Training-Free Localized Face Anonymization

March 11, 2025

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

cs.AI

Аннотация

В цифровую эпоху растут опасения по поводу конфиденциальности в связи с постоянно увеличивающимся количеством камер. Хотя существующие методы анонимизации способны скрывать идентификационную информацию, они часто не справляются с сохранением полезности изображений. В данной работе мы представляем метод анонимизации лиц, не требующий обучения, который сохраняет ключевые атрибуты, не связанные с идентификацией. Наш подход использует предварительно обученную диффузионную модель для преобразования текста в изображение, не требуя оптимизации или обучения. Он начинается с инвертирования входного изображения для восстановления исходного шума. Затем шум очищается с помощью диффузионного процесса, обусловленного идентификацией, где модифицированные вложения идентификации гарантируют, что анонимизированное лицо будет отличаться от исходного. Наш подход также поддерживает локализованную анонимизацию, предоставляя пользователям контроль над тем, какие области лица анонимизируются или остаются неизменными. Всесторонние оценки в сравнении с современными методами показывают, что наш подход превосходит их в анонимизации, сохранении атрибутов и качестве изображений. Его гибкость, надежность и практичность делают его хорошо подходящим для реальных приложений. Код и данные доступны по адресу 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 .