Aprendizaje de representación desentrelazada para la desidentificación facial que preserva múltiples atributos

La cara es una de las informaciones sensibles más atractivas en los datos compartidos visuales. Es una tarea urgente diseñar un método efectivo de desidentificación facial que logre un equilibrio entre la protección de la privacidad facial y la utilidad de los datos al compartir información. La mayoría de los métodos previos para la desidentificación facial dependen de la supervisión de atributos para preservar un tipo de utilidad independiente de la identidad, pero pierden otras utilidades de datos independientes de la identidad. En este artículo, proponemos principalmente una nueva arquitectura de aprendizaje de representación desentrelazada para la desidentificación facial que preserva múltiples atributos, llamada autoencoders variacionales de reemplazo y restauración (R 2 VAEs). Los R 2 VAEs desentrelazan los factores relacionados con la identidad y los factores independientes de la identidad, de modo que la información relacionada con la identidad pueda ser ofuscada, mientras no cambian la información de los atributos independientes de la identidad. Además, para mejorar los detalles de la región facial y hacer que la cara desidentificada se mezcle sin problemas en la escena de la imagen, se emplea una red de inpainting de imágenes para rellenar la región facial original utilizando la cara desidentificada como priori. Los resultados experimentales demuestran que el método propuesto desidentifica efectivamente la cara mientras maximiza la preservación de la información independiente de la identidad, lo que garantiza la integridad semántica y la calidad visual de las imágenes compartidas.