18、深度运动流引导的可逆人脸视频去标识化技术解析

深度运动流引导的可逆人脸视频去标识化技术解析

1. 相关工作

1.1 人脸视频去标识化

人脸视频去标识化方法可分为两类：
- 基于身份交换的方法 ：
- 用他人身份替换人脸视频中的身份是一种直接有效的去标识化思路。“他人”可以是真实身份提供者，也可以是合成身份，后者隐私保护更彻底。
- 例如，有人应用深度伪造技术，将患者面部替换为开源角色；还有人使用预训练的主动外观模型找到最适合的原始面部模型，进行面部区域替换；也有人用卷积神经网络生成人工替代面部等。
- 基于身份解纠缠的方法 ：
- 基于身份交换的方法依赖辅助身份，在严格法规下应用困难，如需定期获得目标身份提供者的同意。
- 于是，通过训练某些人脸模型提取面部特征表示的方法开始兴起。一旦特征表示被解纠缠，就可以生成去标识化的人脸视频，并产生新的虚拟身份。

以下是不同人脸视频去标识化方法的比较：
| 方法 | 无辅助人脸 | 多样视频数据集验证 | 多样人脸视频数据集验证 | 无逐帧处理 | 恢复原始人脸 |
| — | — | — | — | — | — |
| Gross | 是 | 否 | 否 | 否 | 否 |
| Samarzija | 否 | 否 | 否 | 否 | 否 |
| Meden | 否 | 是 | 否 | 否 | 否 |
| Li | 否 | 否 | 否 | 否 | 否 |
| Zhu | 否 | 否 | 否 | 否 | 否 |
| Ren | 是 | 是 | 否 | 否 | 否 |