Quanto è privato ciò che è privato? Uno studio comparativo sulla de-identificazione dei volti

Abstract degli autori

La de-identificazione dei volti (FDeID) si è affermata come tecnologia fondamentale per la tutela della privacy, ma la sua valutazione resta profondamente frammentata. I protocolli esistenti si basano su metriche non uniformi, dataset eterogenei e annotazioni solo parziali. Di conseguenza, i metodi che mirano a preservare aspetti diversi dell’utilità, come i landmark o le espressioni, vengono valutati con benchmark e metriche differenti, rendendo impossibile confrontarli. Riesaminiamo la valutazione della FDeID sia dal punto di vista dei dati sia da quello delle metriche. Sul fronte dei dati, presentiamo UtilFace, un benchmark curato, equilibrato sul piano demografico e caratterizzato da un’elevata diversità delle identità, ottenuto da quattro grandi dataset di volti mediante pulizia basata sull’identità, miglioramento della risoluzione e filtraggio stratificato. Sul fronte delle metriche, proponiamo HiFD, una metrica gerarchica per la de-identificazione dei volti che riunisce la soppressione dell’identità, la preservazione dell’utilità a più livelli e la qualità dell’immagine in un unico paradigma basato sulla coerenza: ogni componente è calcolata a partire dagli output di stimatori preaddestrati sul volto originale e sulla sua versione de-identificata, quantificando direttamente quanto dell’identità viene soppresso e quanta utilità percepibile nelle applicazioni a valle viene preservata. HiFD organizza i segnali facciali in una gerarchia dell’utilità a tre livelli, che comprende indizi macroscopici (L1), microscopici (L2) e impercettibili (L3), e aggrega le cinque componenti risultanti in un unico punteggio interpretabile mediante una media armonica ponderata, con profili configurabili per applicazioni specifiche. Usando questo protocollo unificato, conduciamo uno studio comparativo approfondito che comprende metodi avversari, basati su GAN e basati sulla diffusione, mettendo in luce compromessi e modalità di errore che restano invisibili con i protocolli esistenti. Rendiamo disponibili il benchmark e gli strumenti di valutazione per promuovere una ricerca sistematica e riproducibile nell’analisi dei volti umani che tutela la privacy.