NullFace: Trainingsfreie lokalisierte Gesichtsanonymisierung

NullFace: Training-Free Localized Face Anonymization

March 11, 2025

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

cs.AI

Zusammenfassung

Datenschutzbedenken im Zusammenhang mit der stetig wachsenden Anzahl von Kameras nehmen im heutigen digitalen Zeitalter zu. Obwohl bestehende Anonymisierungsmethoden in der Lage sind, Identitätsinformationen zu verschleiern, haben sie oft Schwierigkeiten, die Nützlichkeit der Bilder zu bewahren. In dieser Arbeit stellen wir eine trainingsfreie Methode zur Gesichtsanonymisierung vor, die wichtige nicht identitätsbezogene Attribute bewahrt. Unser Ansatz nutzt ein vortrainiertes Text-zu-Bild-Diffusionsmodell, ohne Optimierung oder Training zu erfordern. Er beginnt mit der Invertierung des Eingabebildes, um das ursprüngliche Rauschen wiederherzustellen. Das Rauschen wird dann durch einen identitätsbedingten Diffusionsprozess enträuscht, bei dem modifizierte Identitäts-Einbettungen sicherstellen, dass das anonymisierte Gesicht von der ursprünglichen Identität unterschiedlich ist. Unser Ansatz unterstützt auch lokalisierte Anonymisierung, wodurch Benutzer kontrollieren können, welche Gesichtsregionen anonymisiert oder intakt gehalten werden. Umfassende Bewertungen im Vergleich zu modernsten Methoden zeigen, dass unser Ansatz in Bezug auf Anonymisierung, Attributerhaltung und Bildqualität hervorragend abschneidet. Seine Flexibilität, Robustheit und Praktikabilität machen ihn gut geeignet für reale Anwendungen. Code und Daten sind unter https://github.com/hanweikung/nullface verfügbar.

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 .