AI-Based Utility-Preserving Face Image Anonymization

La recerca desenvolupa tres enfocaments innovadors d'aprenentatge automátic que aprofiten exemples adversaris, técniques d'explicabilitat i manipulació d'espai latent per protegir la privacitat facial mentre preserven la utilitat analítica. PRISMA empra un métode adversari de dues etapes pera protecció de xarxes socials, generant pertorbacions basades en momentum que prevenen la generalització del model mentre mantenen la qualitat visual. EDI-Anon utilitza técniques d'explicabilitat per identificar píxels reveladors d'identitat i aplica pertorbacions incrementals dirigides, assolint equilibris privacitat-utilitat superiors als métodes convencionals de distorsió uniforme. EDIALS opera en espais de característiques latents estructurats, modificant selectivament només components reveladors d'identitat mitjanc;:ant distorsió guiada per explicabilitat. L'avaluació exhaustiva al conjunt de dades Multi-Task Face demostra rendiment excepcional: PRISMA va assolir 22,30%-34,64% de precisió en imatges de prava netes mentre mantenía convergéncia d'entrenament, superant significativament métodes existents com Fawkes i Lowkey. EDIALS va arribar a l'anonimització mínima teórica (0,42% de risc de re-identificació) mentre preservava 84,66% F, per edat, 97,91% per genere i 82,61% per classificació racial. Els métodes resisteixen atacs inversos i demostren transferibilitat robusta entre arquitectures diverses, establint nous paradigmes per a la protecció de privacitat facial.