Utility-Preserving Realistic Face De-identification in the h-space : h-공간을 활용한 비신원 속성 보존 얼굴 비식별화 방법

국문 초록 (Abstract)

최근 딥러닝과 얼굴 인식 기술의 발전이 인증, 소셜 미디어와 같은 다양한 시스템의 고도화를 촉진하였다. 그러나 딥러닝 모델의 활용이 용이해짐에 따라, 악의적인 의도로 온라인 플랫폼에 유통되는 이미지와 영상으로부터 타인의 신원 정보를 손쉽게 획득할 수 있게 되었다. 결과적으로 신원 도용과 딥페이크는 오늘날 사회의 심각한 위협으로 대두되고 있으며, 법적 규제와 더불어 기술적 해결책으로 얼굴 비식별화 접근법이 제안되어 왔다. 하지만 기존 얼굴 비식별화 방법들은 여전히 얼굴 이미지에서 신원 정보를 제외한 속성(비신원 속성)을 충분히 보존하지 못하며, 이는 데이터의 전체적인 사실감을 저해하고 인간에 의한 식별 위험을 높인다. 이로 인해 비식별 처리 여부가 쉽게 인지되는 데이터와 그 출처의 신뢰성이 훼손될 수 있다.
본 연구에서는 이미지 편집을 활용한 얼굴 비식별화 기법을 구현하기 위해 두 단계의 접근법을 제안한다. 이 접근은 무조건 생성 모델의 잠재 공간을 활용하며, 이미지 편집이 새로운 이미지를 새롭게 생성하는 것보다 점진적이고 의미 있으며 비얽힘이 보장된 변화를 가능하게 한다는 가설에 기반한다. 본 연구는 사전 학습된 무조건 확산 모델의 h-공간을 활용하며, 정성적 및 정량적 실험을 통해 기존 학습 기반 얼굴 비식별화 기법들보다 속성 보존과 신원 제거 간의 균형을 우수하게 달성함을 보인다.

목차 (Table of Contents)

• I. Introduction 1
• II. Related Works 4
• 2.1 Diffusion Models 4
• 2.2 The h-space 5
• 2.3 Face De-identification 6
• 2.4 Face Image Editing 9
• III. Identity Editing: Methods and Evaluation 11
• 3.1 A linear SVM-guided identity editing framework 12
• 3.1.1 Methodology 12
• 3.1.2 Experiments 14
• 3.1.3 Limitations 21
• 3.2 FLUID: Training-free face de-identification via latent identity substitution 22
• 3.2.1 Methodology 22
• 3.2.2 Experiments 33
• 3.2.3 Limitations 47
• IV. Conclusion and Future Works 49
• References 50
• h-공간을 활용한 비신원 속성 보존 얼굴 비식별화 방법 57