얼굴 익명화 간단히 처리하기

초록

현재의 얼굴 익명화 기술은 종종 얼굴 인식 모델에 의해 계산된 신원 손실에 의존하는데, 이는 부정확하고 신뢰할 수 없을 수 있습니다. 게다가 많은 방법들이 합성 과정을 안내하기 위해 얼굴 랜드마크나 마스크와 같은 보조 데이터를 필요로 합니다. 대조적으로, 우리의 접근 방식은 오직 재구성 손실만을 사용하는 확산 모델을 사용하여 얼굴 랜드마크나 마스크의 필요성을 제거하면서도 복잡하고 세밀한 세부 사항을 갖춘 이미지를 생성합니다. 우리는 우리의 결과를 양적 및 질적 평가를 통해 두 개의 공개 벤치마크에서 검증했습니다. 우리의 모델은 신원 익명화, 얼굴 속성 보존 및 이미지 품질이라는 세 가지 주요 영역에서 최첨단 성능을 달성합니다. 익명화의 주요 기능을 넘어서, 우리의 모델은 입력으로 추가적인 얼굴 이미지를 통합함으로써 얼굴 교체 작업도 수행할 수 있으며, 다양한 응용 분야에 대한 유연성과 잠재력을 보여줍니다. 우리의 코드와 모델은 https://github.com/hanweikung/face_anon_simple 에서 사용할 수 있습니다.

English

Current face anonymization techniques often depend on identity loss calculated by face recognition models, which can be inaccurate and unreliable. Additionally, many methods require supplementary data such as facial landmarks and masks to guide the synthesis process. In contrast, our approach uses diffusion models with only a reconstruction loss, eliminating the need for facial landmarks or masks while still producing images with intricate, fine-grained details. We validated our results on two public benchmarks through both quantitative and qualitative evaluations. Our model achieves state-of-the-art performance in three key areas: identity anonymization, facial attribute preservation, and image quality. Beyond its primary function of anonymization, our model can also perform face swapping tasks by incorporating an additional facial image as input, demonstrating its versatility and potential for diverse applications. Our code and models are available at https://github.com/hanweikung/face_anon_simple .

얼굴 익명화 간단히 처리하기

Face Anonymization Made Simple

초록

Summary

Support