LDFA: Latent Diffusion Face Anonymization for Self-driving Applications

要約

歩行者や自転車などの脆弱な道路利用者 (VRU) を保護するためには、高度道路交通システム (ITS) がそれらを正確に識別することが不可欠です。
したがって、ITS の認識モデルのトレーニングに使用されるデータセットには、脆弱な道路利用者が多数含まれている必要があります。
ただし、データ保護規則では、そのようなデータセットで個人を匿名化する必要があります。
この作業では、ITS のコンテキストでの顔の匿名化のための新しいディープ ラーニング ベースのパイプラインを紹介します。
関連する方法とは対照的に、敵対的生成ネットワーク（GAN）は使用しませんが、拡散モデルの最近の進歩に基づいています。
現実的な顔のインペインティングを生成するために、顔検出モデルとそれに続く潜在拡散モデルを含む 2 段階の方法を提案します。
匿名化された画像の汎用性を実証するために、匿名化されたデータでセグメンテーション方法をトレーニングし、匿名化されていないデータでそれらを評価します。
私たちの実験では、私たちのパイプラインは単純な方法よりもセグメンテーションのためにデータを匿名化するのに適していて、最近の GAN ベースの方法と同等に機能することが明らかになりました。
さらに、顔検出器は、素朴なまたは最近のGANベースの方法と比較して、私たちの方法によって匿名化された顔に対してより高いmAPスコアを達成します。

要約(オリジナル)

In order to protect vulnerable road users (VRUs), such as pedestrians or cyclists, it is essential that intelligent transportation systems (ITS) accurately identify them. Therefore, datasets used to train perception models of ITS must contain a significant number of vulnerable road users. However, data protection regulations require that individuals are anonymized in such datasets. In this work, we introduce a novel deep learning-based pipeline for face anonymization in the context of ITS. In contrast to related methods, we do not use generative adversarial networks (GANs) but build upon recent advances in diffusion models. We propose a two-stage method, which contains a face detection model followed by a latent diffusion model to generate realistic face in-paintings. To demonstrate the versatility of anonymized images, we train segmentation methods on anonymized data and evaluate them on non-anonymized data. Our experiment reveal that our pipeline is better suited to anonymize data for segmentation than naive methods and performes comparably with recent GAN-based methods. Moreover, face detectors achieve higher mAP scores for faces anonymized by our method compared to naive or recent GAN-based methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google