DeepPrivacy: A Generative Adversarial Network for Face Anonymization阅读笔记

DeepPrivacy: A Generative Adversarial Network for Face Anonymization

ISVC 2019　　https://arxiv.org/pdf/1909.04538.pdf

 （个人理解，欢迎指正错误）

 

Introduction

　　隐私：整个人脸

　　可用性：是看起来自然的人

　　文章基于CGAN架构，模型以被遮蔽敏感信息的人脸为输入，以真实人脸中的若干个关键点为条件信息生成假人脸。合成人脸在匿名的同时保留数据分布，使数据适合于进一步训练深度学习模型。

包含真实人脸的图像　　     遮蔽敏感信息与关键点提取　　　　     合成图像

Methodology　　

　　模型需要对真实人脸进行两步预处理：（1）定位敏感的人脸区域并进行遮蔽生成mask；（2）使用7个关键点生成pose info：耳朵2、眼睛2、鼻子1、肩膀2，对人脸姿态进行估计。

　　

　　模型整体架构

　　·生成器不直接接触人脸中的敏感信息。

　　·生成器为U-net网络，pose info在解码过程中加入网络。

　　·判别器的输入结合了生成图像/真实图像与图像mask两部分，输入包含6个通道。

　　·判别器与生成器中的decoder类似，也加入了pose info的信息。

　　·GAN模型采用渐进式策略训练。

 

　　GAN的渐进式训练 https://arxiv.org/pdf/1710.10196.pdf

　　

　　先从低分辨率开始训练，逐步抬高分辨率。每次训练针对的分辨率大小由类似resnet的策略控制。

Result

PersonalOpinions

　　文章将整个人脸视为敏感信息是过于粗放的，在此基础上匿名手法也很粗放。将人脸遮蔽并借助GAN模型重新生成确实100%去除了人脸敏感信息，但实则变成了“换脸”任务，精细的模型设计仅仅让换脸效果更加自然。

　　《人脸识别的侵权责任认定》一文中对人脸中隐私的辨析我十分认同（焦艳玲.人脸识别的侵权责任认定[J].中国高校社会科学,2022(02):117-128+160）。

　　人脸图像隐私保护的对象应当是代表生物识别信息的人脸模板，而非人脸图像本身。通过匿名人脸图像固然也匿名了人脸模板，但失去的可用性也是巨大的，唯一的可用性仅仅是保持了图像中仍然包含一个自然的人脸。