[論文レビュー] IdentityDP: Differential Private Identification Protection for Face Images

Yunqian Wen, Song Li+3 more|arXiv (Cornell University)|Mar 2, 2021

Face recognition and analysis被引用数 4

ひとこと要約

本稿では、差分プライバシー（DP）と分離可能なGANを統合することで、視覚的品質を維持したまま顔画像を匿名化する新しい顔脱識別フレームワーク、IdentityDPを提案する。IdentityDPは、識別子固有の特徴にDPノイズを適用し、固定された生成器を用いて再構成することで、事前アノテーションや外部の識別子ガイダンスを必要とせず、高 perceptual 同一性と強固なプライバシー保証を達成する。プライバシーと有用性のトレードオフを調整可能に実現する。

ABSTRACT

Because of the explosive growth of face photos as well as their widespread dissemination and easy accessibility in social media, the security and privacy of personal identity information becomes an unprecedented challenge. Meanwhile, the convenience brought by advanced identity-agnostic computer vision technologies is attractive. Therefore, it is important to use face images while taking careful consideration in protecting people's identities. Given a face image, face de-identification, also known as face anonymization, refers to generating another image with similar appearance and the same background, while the real identity is hidden. Although extensive efforts have been made, existing face de-identification techniques are either insufficient in photo-reality or incapable of well-balancing privacy and utility. In this paper, we focus on tackling these challenges to improve face de-identification. We propose IdentityDP, a face anonymization framework that combines a data-driven deep neural network with a differential privacy (DP) mechanism. This framework encompasses three stages: facial representations disentanglement, $ε$-IdentityDP perturbation and image reconstruction. Our model can effectively obfuscate the identity-related information of faces, preserve significant visual similarity, and generate high-quality images that can be used for identity-agnostic computer vision tasks, such as detection, tracking, etc. Different from the previous methods, we can adjust the balance of privacy and utility through the privacy budget according to pratical demands and provide a diversity of results without pre-annotations. Extensive experiments demonstrate the effectiveness and generalization ability of our proposed anonymization framework.

研究の動機と目的

• ソーシャルメディアや公開データセットにおける顔画像の広範な共有に伴う増大するプライバシーリスクに対処する。
• 既存の顔匿名化手法の限界、すなわち視覚的品質の低さ、ターゲットシステムへのアクセス依存、事前アノテーションへの依存を克服する。
• 微分可能でデータ駆動型のフレームワークにより、コンピュータビジョンタスクにおける識別子に依存しない有用性を維持しながら、調整可能なプライバシー-有用性トレードオフを実現する。
• 一般的でアノテーションフリーのソリューションを提供し、多様な顔画像、特に困難な照明条件やアート的ポートレートにおいても視覚的正確性を保持する。

提案手法

• 分離可能なGANを用いて、潜在特徴空間における識別子表現と多段階の属性表現を分離する。
• ε-IdentityDPノイズを分離された識別子表現に直接適用し、形式的な差分プライバシーの保証を確保する。
• 訓練済みのGAN生成器を固定し、ノイズを加えた識別子コードと変更のない属性コードを用いて匿名化画像を再構成する。
• プライバシー予算εに合わせて調整された分散を持つノイズテンソルを用い、ぼかしの程度を制御する。
• 敵対的損失と識別子再構成損失を用いて分離GANを訓練することで、視覚的類似性を維持する。
• DP機構を推論時において統合し、ユーザーが望むプライバシー-有用性のバランスに合わせてεを調整可能にする。

実験結果

リサーチクエスチョン

• RQ1 ディープジェネレーティブモデルと差分プライバシーを組み合わせることで、高い視覚的正確性を維持したまま顔画像を効果的に匿名化できるか？
• RQ2 提案されたIdentityDPフレームワークは、最先端の手法と比較して、プライバシー保護と画像有用性のバランスをどのようにとるか？
• RQ3 IdentityDPは、困難な照明条件やアート的スタイルの顔画像を含む未学習の入力に対し、どの程度一般化できるか？
• RQ4 事前アノテーションや外部識別子プロバイダー、ターゲットシステムのパrametersへのアクセスに依存せずに、プライバシー保護を達成できるか？

主な発見

• CelebAおよびNISTチャレンジ画像における定性的比較から、IdentityDPはCIAGANよりも優れた視覚的類似性を達成している。
• 定量的結果から、IdentityDPはCIAGANよりも高い画像有用性（FIDおよびLPIPSで測定）を維持しながら、より強いプライバシー保護を提供している。
• Fawkes（敵対的摂動に基づく手法）は、視覚的類似性が高かっただけでなく、プライバシー指標においては劣っており、弱いプライバシー保証を示している。
• IdentityDPは、低照度、高コントラスト、アート的ポートレート画像など、困難な入力に対しても良好に一般化し、目立つアーティファクトや歪みがない。
• 計算オーバーヘッドは最小限で、NVIDIA GTX 1080 Tiで1枚あたり平均0.329秒の処理時間を要する。
• 再訓練や事前アノテーションなしで、プライバシー予算（ε）を調整可能にし、多様な匿名化結果を実現できる。