StyleGAN as a Utility-Preserving Face De-identification Method

要約

顔の匿名化手法は、ユーザーの顔を隠すことでプライバシーを保護するために提案されています。
ただし、これらの方法では写真の品質が低下する可能性があり、通常、顔の有用性、つまり年齢、性別、ポーズ、表情が保存されません。
最近では、StyleGAN など、リアルで高品質な仮想顔を生成する GAN が提案されています。
この論文では、スタイル混合を通じて匿名化された顔を生成する際の StyleGAN の使用を調査します。
私たちは、いくつかの顔検出、検証、識別攻撃を実装し、ユーザー調査を実施することにより、実用性とプライバシーを保護するためのこの匿名化方法を検討しました。
私たちの広範な実験、人間による評価、および 2 つの最先端の方法 (CIAGAN と DeepPrivacy) との比較から得られた結果は、StyleGAN がこれらの方法と同等かそれ以上のパフォーマンスを発揮し、ユーザーのプライバシーと画像の有用性を保護することを示しています。
特に、機械学習ベースの実験の結果は、StyleGAN0-4 が CIAGAN や DeepPrivacy よりも優れたユーティリティを維持しながら、プライバシーを同じレベルで維持することを示しています。
StyleGAN0-3 は、同じレベルの実用性を維持しながら、よりプライバシーを提供します。
この論文では、初めて、StyleGAN0-3、0-4、および 0-5 のプライバシーとユーティリティ保護特性の両方、ならびに CIAGAN および DeepPrivacy を人間の観察者から調査するために、慎重に設計されたユーザー調査も実行しました。
」という視点。
私たちの統計テストでは、参加者は、DeepPrivacy イメージよりも StyleGAN0-5 イメージを簡単に検証および識別する傾向があることがわかりました。
StyleGAN0 ～ 5 を除くすべてのメソッドの識別率は CIAGAN よりも大幅に低かった。
実用性に関しては、予想どおり、StyleGAN0-5 の方がいくつかの属性の保持において大幅に優れたパフォーマンスを発揮しました。
すべての方法の中で、参加者は平均して、ジェンダーが最も保存されている一方、自然性は最も保存されていないと信じています。

要約(オリジナル)

Face de-identification methods have been proposed to preserve users’ privacy by obscuring their faces. These methods, however, can degrade the quality of photos, and they usually do not preserve the utility of faces, i.e., their age, gender, pose, and facial expression. Recently, GANs, such as StyleGAN, have been proposed, which generate realistic, high-quality imaginary faces. In this paper, we investigate the use of StyleGAN in generating de-identified faces through style mixing. We examined this de-identification method for preserving utility and privacy by implementing several face detection, verification, and identification attacks and conducting a user study. The results from our extensive experiments, human evaluation, and comparison with two state-of-the-art methods, i.e., CIAGAN and DeepPrivacy, show that StyleGAN performs on par or better than these methods, preserving users’ privacy and images’ utility. In particular, the results of the machine learning-based experiments show that StyleGAN0-4 preserves utility better than CIAGAN and DeepPrivacy while preserving privacy at the same level. StyleGAN0-3 preserves utility at the same level while providing more privacy. In this paper, for the first time, we also performed a carefully designed user study to examine both privacy and utility-preserving properties of StyleGAN0-3, 0-4, and 0-5, as well as CIAGAN and DeepPrivacy from the human observers’ perspectives. Our statistical tests showed that participants tend to verify and identify StyleGAN0-5 images more easily than DeepPrivacy images. All the methods but StyleGAN0-5 had significantly lower identification rates than CIAGAN. Regarding utility, as expected, StyleGAN0-5 performed significantly better in preserving some attributes. Among all methods, on average, participants believe gender has been preserved the most while naturalness has been preserved the least.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google