Anonymizace obličejů v obrazcích a ve videu

Abstract

Tato práce představuje novou metodu pro anonymizaci obličejů na obrázcích a ve videích, která mění identitu obličeje při zachování klíčových obličejových atributů, jako jsou věk, pohlaví, rasa, pozice a výraz. Náš přístup je založen na inpaintingu pomocí moderního difuzního modelu, konkrétně Stable Diffusion od Stability AI. Provedli jsme rozsáhlé experimentální testování a kvantitativně jsme metodu vyhodnotili pomocí několika navrhovaných statistik, které měří stupeň deidentifikace, zachování obličejových atributů a úroveň perceptuálních artefaktů. Představujeme velké množství kvalitativních výsledků. Perceptuální realismus anonymizovaných obličejových obrázků je také měřen pomocí malé uživatelské studie. Naši metodu jsme testovali proti populární nedávné metodě DeepPrivacy 2 (Hukkelas, 2023) s nadějnými výsledky. V mnoha aspektech naše metoda dosahuje srovnatelných výsledků a překonává DeepPrivacy 2 v zachování výrazů.

The thesis proposes a novel method for anonymizing faces in images and videos that alters the identity of the face while preserving key facial attributes, such as age, gender, race, pose, and expression. Our approach is based on inpainting using a recent diffusion model, specifically the Stable Diffusion by Stability AI. We have conducted extensive experimental testing and quantitatively evaluated the method using several proposed statistics that measure the degree of de-identification, preservation of facial attributes, and the level of perceptual artifacts. We present a large number of qualitative results. The perceptual realism of the anonymized face images is also measured using a small-scale user study. Our method was tested against the popular recent Deep Privacy v2 (Hukkelas, 2023) method with promising results. In many aspects, our method achieves comparable results and outperforms the Deep Privacy v2 in preserving expressions.