[论文解读] Face Anonymization by Manipulating Decoupled Identity Representation.

Tianxiang Ma, Dongze Li+2 more|arXiv (Cornell University)|May 24, 2021

Generative Adversarial Networks and Image Synthesis参考文献 25被引用 5

一句话总结

本文提出了一种基于生成对抗网络（GAN）框架的面部匿名化方法，通过在条件多尺度重建（CMR）损失和身份损失下解耦身份表征与面部属性，实现对身份信息的有效分离。该方法称为匿名身份生成（AIG），在匿名化成功率和视觉质量方面达到当前最优水平，同时将图像失真降至最低。

ABSTRACT

Privacy protection on human biological information has drawn increasing attention in recent years, among which face anonymization plays an importance role. We propose a novel approach which protects identity information of facial images from leakage with slightest modification. Specifically, we disentangle identity representation from other facial attributes leveraging the power of generative adversarial networks trained on a conditional multi-scale reconstruction (CMR) loss and an identity loss. We evaulate the disentangle ability of our model, and propose an effective method for identity anonymization, namely Anonymous Identity Generation (AIG), to reach the goal of face anonymization meanwhile maintaining similarity to the original image as much as possible. Quantitative and qualitative results demonstrate our method's superiority compared with the SOTAs on both visual quality and anonymization success rate.

研究动机与目标

• 应对面部图像数据中日益增长的隐私保护需求，特别是身份泄露问题。
• 克服现有面部匿名化方法在图像质量下降或无法完全隐藏身份方面的局限性。
• 在有效匿名化身份的同时，保持生成图像与原始图像的面部外观相似性。
• 通过深度学习实现身份与非身份面部属性之间的强解耦。

提出的方法

• 利用生成对抗网络（GANs）学习一种解耦的面部表征，使身份与其他属性分离。
• 使用条件多尺度重建（CMR）损失训练模型，以在多尺度下保留面部结构与外观。
• 引入身份损失，确保生成图像在匿名化的同时仍保留源图像的身份特征。
• 应用匿名身份生成（AIG）合成新身份，使其在视觉上与原始图像相似，但无法被识别为原始人物。
• 通过对抗训练优化生成器，最小化身份泄露，同时最大化重建保真度。

实验结果

研究问题

• RQ1 在条件生成设置下，基于GAN的模型能否有效实现身份表征与其他面部属性的解耦？
• RQ2 在保持与原始面部图像感知相似性的同时，身份可被匿名化的程度如何？
• RQ3 所提出的CMR损失与身份损失组合相比先前方法，在解耦与匿名化性能方面有何改进？
• RQ4 与当前最先进方法相比，该方法的匿名化成功率如何？

主要发现

• 所提方法在匿名化成功率方面优于当前最先进方法。
• 定量与定性结果均证实，匿名化图像具有高视觉质量且失真极小。
• 通过CMR损失与身份损失的结合，有效实现了身份表征的解耦。
• 匿名身份生成（AIG）成功生成了在视觉上与原始图像相似但无法被识别为原始人物的新身份。