DeepPrivacy: A Generative Adversarial Network for Face Anonymization閱讀筆記
阿新 • • 發佈：2022-05-13
DeepPrivacy: A Generative Adversarial Network for Face Anonymization
ISVC 2019 https://arxiv.org/pdf/1909.04538.pdf
（個人理解，歡迎指正錯誤）
Introduction
隱私：整個人臉
可用性：是看起來自然的人
文章基於CGAN架構，模型以被遮蔽敏感資訊的人臉為輸入，以真實人臉中的若干個關鍵點為條件資訊生成假人臉。合成人臉在匿名的同時保留了資料分佈，可用於支援其他深度學習模型的訓練。
包含真實人臉的影象 遮蔽敏感資訊與關鍵點提取 合成影象
Methodology
模型需要對真實人臉進行兩步預處理：（1）定位敏感的人臉區域並進行遮蔽生成mask；（2）使用7個關鍵點生成pose info：耳朵2、眼睛2、鼻子1、肩膀2，對人臉姿態進行估計。
模型整體架構
·生成器不直接接觸人臉中的敏感資訊。
·生成器為U-net網路，pose info在解碼過程中加入網路。
·判別器的輸入結合了生成影象/真實影象與影象mask兩部分，輸入包含6個通道。
·判別器與生成器中的decoder類似，也加入了pose info的資訊。
·GAN模型採用漸進式策略訓練。
GAN的漸進式訓練 https://arxiv.org/pdf/1710.10196.pdf
先從低解析度開始訓練，逐步抬高解析度。每次訓練針對的解析度大小由類似resnet的策略控制。
Result
PersonalOpinions
文章將整個人臉視為敏感資訊是過於粗放的，在此基礎上匿名手法也很粗放。將人臉遮蔽並藉助GAN模型重新生成確實100%去除了人臉敏感資訊，但實則變成了“換臉”任務，精細的模型設計僅僅讓換臉效果更加自然。
《人臉識別的侵權責任認定》一文中對人臉中隱私的辨析我十分認同（焦豔玲.人臉識別的侵權責任認定[J].中國高校社會科學,2022(02):117-128+160）。
人臉影象隱私保護的物件應當是代表生物識別資訊的人臉模板，而非人臉影象本身。通過匿名人臉影象固然也匿名了人臉模板，但失去的可用性也是巨大的，唯一的可用性僅僅是保持了影象中仍然包含一個自然的人臉。