[論文レビュー] A Utility-Preserving GAN for Face Obscuration

Hanxiang Hao, David Güera+2 more|arXiv (Cornell University)|Jun 27, 2019

Generative Adversarial Networks and Image Synthesis参考文献 24被引用数 14

ひとこと要約

この論文では、アイデンティティを隠しながらも年齢、性別、肌の色、ポーズ、表情といった特定不能な顔の特徴を保持する、ユーティリティを保全するGANであるUP-GANを提案する。ユーティリティ属性とランドマークで条件づけた生成により、UP-GANは、ガウスノイズ、ピクセル化、k-same法よりも優れた隠蔽性能と視覚的リアリズムを達成し、FIDスコア68.78—すべての手法の中で最低—を記録した。

ABSTRACT

From TV news to Google StreetView, face obscuration has been used for privacy protection. Due to recent advances in the field of deep learning, obscuration methods such as Gaussian blurring and pixelation are not guaranteed to conceal identity. In this paper, we propose a utility-preserving generative model, UP-GAN, that is able to provide an effective face obscuration, while preserving facial utility. By utility-preserving we mean preserving facial features that do not reveal identity, such as age, gender, skin tone, pose, and expression. We show that the proposed method achieves the best performance in terms of obscuration and utility preservation.

研究の動機と目的

• ガウスノイズやピクセル化といった従来の顔の隠蔽手法が、ディープラーニングベースのアイデンティティ再構築に対して失敗することへの対処。
• 視覚理解やデータマイニングの下流タスクにおいて利用可能な、年齢、性別、肌の色、ポーズ、表情といった特定不能な顔のユーティリティを保持すること。
• 元の識別可能な顔データにアクセスせずに、現実的で隠蔽された顔を生成するGANベースの手法の開発。
• ユーティリティ特徴にのみ依存する顔の生成により、k-匿名性を達成し、個々の顔が再識別されないよう保証すること。

提案手法

• 生成器は、潜在ベクトルとユーティリティ条件付きベクトル（属性とランドマーク）に基づいて、隠蔽された顔を生成する条件付きGANフレームワークを採用する。
• 生成器は、元の顔から補助検出システムを用いて抽出された静的属性（年齢、性別、肌の色）と動的ランドマーク（顔のキーポイント）のベクトルで条件づけられる。
• 複数の損失関数を採用：現実性のための adversarial loss、ピixe レベルの忠実度のための L1 loss、顔の境界定義の強化のための mask loss、リップル状アーチファクトの低減のための perceptual loss。
• 識別器は、本物の顔と生成された隠蔽顔を区別するように訓練され、生成器がより現実的な出力を生成するように導く。
• 訓練中に識別可能な情報の漏洩を防ぐために、元の顔を直接入力せず、ユーティリティ特徴のみを用いる。
• 最終的な隠蔽画像は、元の顔領域を生成された顔に置き換えることで作成され、顔以外のコンテキストを保持する。

実験結果

リサーチクエスチョン

• RQ1 GANベースの手法は、年齢、性別、肌の色、ポーズ、表情といった特定不能な顔の特徴を保持しながら、顔を効果的に隠蔽できるか？
• RQ2 ガウスノイズ、ピクセル化、k-same法といった従来手法と比較して、UP-GANのアイデンティティ保護性能と視覚的品質はどのように異なるか？
• RQ3 複数の損失関数（adversarial、L1、mask、perceptual）の導入により、生成された隠蔽顔のリアリズムと境界明瞭度はどの程度向上するか？
• RQ4 攻撃者が手法を知らない状況（脅威モデルI）と、手法を知っている状況（脅威モデルII）の両方において、UP-GANは強固な隠蔽性能を維持できるか？
• RQ5 ユーティリティ特徴にのみ依存する顔の生成により、UP-GANはk-匿名性を達成でき、アイデンティティの再識別を防げるか？

主な発見

• UP-GANは、評価されたすべての手法の中で最小のFréchet Inception Distance（FID）68.78を達成し、生成された隠蔽顔の視覚的リアリズムが最も高いことを示した。
• 脅威モデルI（攻撃者が手法を知らない）では、ガウスノイズ（カーネルサイズ5および15）を除くすべての手法が高い隠蔽性能を示し、UP-GANの顔識別精度は0.004にとどまった。
• 脅威モデルII（攻撃者が手法を知っている）では、UP-GANは顔識別精度0.245を維持し、ピクセル化-25（0.191）、k-same（0.028）、k-same-net（0.238）を上回る性能を示した。
• 視覚的比較では、UP-GANはk-same-net やピクセル化と比較して、より明確な顔の境界とより少ないアーチファクトを生成し、より自然な顔の構造を再現した。
• perceptual損失とmask損失の導入により、視覚的品質が顕著に向上し、リップル状アーチファクトが低減され、顔の輪郭定義が強化された。
• UP-GANは、アイデンティティが再構築不能であることを保証しながら、年齢、性別、肌の色、ポーズ、表情といったユーティリティ特徴を効果的に保持した。