💻 computer science

Face anonymization preserving facial expressions and photometric realism

تقترح هذه الورقة إطار عمل لإخفاء هوية الوجه مع الحفاظ على الملامح، والذي يوسع نموذج DeepPrivacy عبر دمج معالم كثيفة ونماذج معالجة لاحقة لإنتاج صور واقعية تخفي الهوية بفعالية مع الحفاظ على دقة عالية في تعبيرات الوجه والإضاءة ولون البشرة، مما يعالج فجوة حرجة في الأساليب الحالية للحفاظ على الخصوصية.

المؤلفون الأصليون: Luigi Celona, Simone Bianco, Raimondo Schettini

نُشر 2026-03-19

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Luigi Celona, Simone Bianco, Raimondo Schettini

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أن لديك صورة لنفسك وأنت تبتسم في حفلة عيد ميلاد. تريد مشاركتها مع العالم ليرى الناس بهجتك وإضاءة الغرفة، لكنك لا تريد أن يعرف أحد أن هذا أنت.

هذه هي مشكلة إخفاء هوية الوجه (Face Anonymization).

الطريقة القديمة: "الملصق الضبابي"

في الماضي، إذا أردت إخفاء هويتك، كنت تستخدم "ملصقاً" رقمياً لتغطية وجهك، أو تقوم بتغبيشه (blur) مثل صور الباباراتزي.

المشكلة: هذا يشبه وضع بقعة ضخمة وضبابية فوق وجهك. بالتأكيد، لن يعرف أحد من أنت، لكنهم أيضاً لن يستطيعوا رؤية ما إذا كنت سعيداً، حزيناً، أو غاضباً. لن يستطيعوا معرفة ما إذا كانت الشمس مشرقة أم أنها تمطر. تصبح الصورة عديمة الفائدة لأي شيء آخر سوى "الإخفاء".

الطالط الجديدة: "صانع الأقنعة الرقمية"

مؤخراً، بدأ العلماء في استخدام الذكاء الاصطناعي (تحديداً ما يسمى بـ GANs) لإنشاء وجه جديد يبدو حقيقياً ولكنه ليس وجهك. فكر في الأمر كصانع أقنعة عالي التقنية.

المشكلة في أقنعة الذكاء الاصطناعي المبكرة: كانت أقنعة الذكاء الاصطناعي المبكرة جيدة في إخفاء هويتك، لكنها كانت سيئة جداً في الحفاظ على "روح" أو "جو" الصورة.
- إذا كنت تبتسم، قد يمنحك الذكاء الاصطناعي نظرة جامدة وخالية من التعبير.
- إذا كنت تحت ضوء غروب شمس دافئ، فقد يجعل الذكاء الاصطناعي وجهك الجديد يبدو وكأنه تحت أضواء مستشفى باردة وزرقاء.
- إذا كانت بشرتك ذات لون دافئ، فقد يجعل الذكاء الاصطناعي الوجه الجديد يبدو باهتاً أو رمادياً.

هذا جعل الصور عديمة الفائدة لأشياء مثل دراسة المشاعر البشرية أو اختبار كيفية تعامل الكاميرات مع ظروف الإضاءة المختلفة.

الحل: "القرين الرقمي المثالي"

تقدم الورقة البحثية التي شاركتها طريقة جديدة لإنشاء قرين رقمي مثالي. هي لا تخفي هويتك فحسب؛ بل تحافظ على جميع التفاصيل المهمة التي تجعل الصورة مفيدة.

إليك كيف فعلوا ذلك، باستخدام تشبيهات بسيطة:

1. "المخطط التفصيلي" (النقاط المرجعية الكثيفة - Dense Landmarks)

تخيل أنك تحاول رسم وجه بناءً على رسم تخطيطي يحتوي على 7 نقاط فقط (العينين، الأنف، الأذنين). سيكون من الصعب ضبط التعبير الصحيح.

ما فعلوه: بدلاً من 7 نقاط، قدموا للذكال الاصطناعي مخططاً يحتوي على 68 نقطة.
النتيجة: يمكن للذكاء الاصطناعي الآن رؤية التجاعيد الصغيرة حول عينيك عند الضحك، أو قطبة جبينك الطفيفة عندما تكون غارقاً في التفكير. إنه يحافظ على تعبيرات وجهك بشكل مثالي، بحيث يبدو الوجه الجديد سعيداً أو جاداً تماماً مثل الأصل.

2. "نقل الإضاءة" (نسخة الظل)

تخيل أنك التقطت صورة لتمثال في حديقة مشمسة. إذا استبدلت وجه التمثال بوجه جديد، يجب أن تتأكد من أن الوجه الجديد يحمل نفس الظلال والإضاءة، وإلا سيبدو كملصق موضوع فوق الصورة.

ما فعلوه: استخدموا حيلة ذكية تسمى "التفكيك الجوهري" (Intrinsic Decomposition). فكر في هذا كفصل الصورة إلى طبقتين:
- الطبقة أ (الطلاء): لون البشرة وملمسها الفعلي (والذي يتغير).
- الطبقة ب (الضوء): الظلال والسطوع (والتي تبقى ثابتة).
النتيجة: أخذوا طبقة "الضوء" من صورتك الأصلية ولفوها حول وجه الذكاء الاصطناعي الجديد. الآن، يمتلك الوجه الجديد نفس الإضاءة والظلال تماماً كما في الأصل. إذا كنت في الشمس، سيكون الوجه الجديد في الشمس.

3. "مطابقة لون البشرة" (فلتر اللون)

أحياناً يجعل الذكاء الاصطناعي الناس يبدون وكأن لديهم عرق أو لون بشرة مختلف، وهو أمر غير عادل وغير دقيق.

ما فعلوه: أضافوا خطوة أخيرة حيث يتحققون من "إحصائيات الألوان" في الصورة الأصلية ويقومون بضبط الوجه الجديد بلطف ليتناسب معها.
النتيجة: يمتلك الوجه الجديد نفس لون بشرة الشخص الأصلي. يبدو طبيعياً ومنصفاً، دون تغيير المظهر الديموغرافي للشخص عن طريق الخطأ.

لماذا يهم هذا؟

فكر في هذه التكنولوجيا كـ مترجم يحافظ على الخصوصية.

قبل: كان عليك الاختيار بين الخصوصية (إخفاء وجهك) وبين الفائدة (الحفاظ على فائدة الصورة). لم يكن بإمكانك الحصول على كليهما.
الآن: يمكنك الحصول على صورة تكون فيها هويتك ممسوحة تماماً (بحيث لا يمكن لأحد تتبعك)، ولكن المشاعر، والإضاءة، ولون البشرة تظل كما هي تماماً.

أمثلة من العالم الحقيقي:

الأبح_ الميدانية الطبية: يمكن للأطباء دراسة كيفية تغير وجوه الناس عندما يشعرون بالألم أو السعادة، دون انتهاك خصوصية المرضى.
السيارات ذاتية القيادة: يمكن للمهندسين اختبار كيفية استجابة السيارات لظروف الإضاءة المختلفة (غروب الشمس، الليل، المطر) باستخدام وجوه بشرية حقيقية، دون كشف هويات السائقين.
وسائل التواصل الاجتماعي: يمكنك مشاركة صور عطلاتك مع العالم، وسيقوم الذكاء الاصطناسي باستبدال وجهك بوجه شخص غريب واقعي، لكنه لا يزال يبدو "مثلك" في تلك الإضاءة والمزاج المحدد.

الخلاصة

تتعلق هذه الورقة البحثية بتعليم الذكاء الاصطناعي كيف يكون "بديل جسدي" أفضل. الأمر لا يتعلق فقط بإخفاء الممثل؛ بل يتعلق بالتأكد من أن البديل يؤدي المشهد بنفس العاطفة، وتحت نفس الأضواء، ويرتدي نفس "الزي" (لون البشرة) الخاص بالممثل الأصلي. وهذا يجعل البيانات آمنة للخصوصية ولكنها لا تزال مفيدة للغاية للعلم والتكنولوجيا.

ملخص تقني لورقة بحثية بعنوان: "إخفاء هوية الوجه مع الحفاظ على تعبيرات الوجه والواقعية الضوئية"

1. بيان المشكلة

تثير الاستخدامات الواسعة لصور الوجوه في وسائل التواصل الاجتماعي ومجموعات البيانات الضخمة مخاوف كبيرة تتعلق بالخصوصية فيما يخص تحديد الهوية البيومترية. وبينما يهدف إخفاء هوية الوجه إلى إخفاء الهوية مع الحفاظ على فائدة البيانات، تعاني الطرق الحالية من قيود حرجة:

فقدان الفائدة: تؤدي الطرق التقليدية (مثل القناع، التمويه، أو التبكسل) إلى تدمير المعلومات الهيكلية والضوئية، مما يجعل البيانات غير مفيدة للمهام اللاحقة مثل تحليل التعبيرات أو إعادة الإضاءة.
القصور التوليدي: تركز نهج شبكات الخصومة التوليدية (GAN) الحالية (مثل DeepPrivacy) بشكل أساسي على إزالة الهوية والواقعية العامة للصور. وغالبًا ما تهمل الاتساق الضوئي (اتجاه الإضاءة، الظلال، لون البشرة) وتعبيرات الوجه.
النتيجة: غالبًا ما تظهر مجموعات البيانات التي تم إخفاء هويتها بظلال مشوهة، وتدرجات لون بشرة مزاحة، وتعبيرات مسطحة، مما يؤدي إلى إدخال التحيز وتقليل الفعالية في تطبيقات مثل الحوسبة العاطفية، والتحليل الطبي، وأنظمة التعرف العادلة.

2. المنهجية

يقترح المؤلفون إطار عمل لإخفاء الهوية يحافظ على الميزات، وهو يوسع بنية DeepPrivacy. تتكون الطريقة من ثلاثة مكونات أساسية:

أ. التكييف المعزز باستخدام المعالم الكثيفة

التعديل: يستخدم DeepPrivacy الأصلي مجموعة متفرقة من 7 معالم (الأذنان، العينان، الأنف، والكتفان) مستمدة من Mask R-CNN.
التحسين: يستبدل المنهج المقترح هذه المجموعة بـ مجموعة كثيفة من 68 معلمًا للوجه (باستخدام تنفيذ DLib).
الأثر: يوفر هذا للمولد (generator) أوليات هندسية أكثر دقة، مما يسمح بتخليق تشوهات وجهية دقيقة والحفاظ على الحالة العاطفية للموضوع (التعبير) بشكل أكثر أمانة.

ب. المعالجة الضوئية اللاحقة

لضمان مطابقة الوجه الذي تم إخفاء هويته للوجه الأصلي في الإضاءة واللون دون إعادة إدخال الهوية، يتم تطبيق وحدتين خفيفتي الوزن للمعالجة اللاحقة بعد توليد الـ GAN:

إعادة الإضاءة عبر التفكيك الجوهري:
- تفترض الطريقة أن الصورة $I$ يمكن تحليلها إلى الوضاءة/الألبيدو ( $A$ ، الانعكاسية) والتظليل ( $S$ ، الإضاءة): $I \approx A \cdot S$ .
- باستخدام مرشح ثنائي الجوانب (bilateral filter) من نمط Retinex، يتم استخراج خريطة التظليل ( $S_{Io}$ ) من الصورة الأصلية.
- يتم دمج ألبيدو الوجه المخفي ( $A_{Ia}$ ) مع تظليل الصورة الأصلية: $I_{relight} = A_{Ia} \cdot S_{Io}$ .
- التحسين: تُستخدم تقنية دمج هرم لابلاس (Laplacian pyramid) لدمج الصورة المعاد إضاءتها مع الصورة الأصلية عبر الترددات المكانية المختلفة، مما يضمن انتقالات سلسة ويحافظ على التفاصيل عالية التردد.
نقل اللون في فضاء YCbCr:
- للحفاظ على إحصائيات لون البشرة، يتم إجراء نقل لون عبر القنوات في فضاء ألوان YCbCr.
- يتم الإبقاء على قناة السطوع ( $Y$ ) دون تغيير للحفاظ على البنية.
- يتم ضبط قنوات الكروماتيكية ( $Cb, Cr$ ) لتتطابق مع المتوسط والانحراف المعياري للصورة الأصلية، مما يضمن اتساق لون البشرة دون تسريب معلومات الهوية.

3. المساهمات الرئيسية

التعزيز الهيكلي: دمج معالم الوجه الكثيفة المكونة من 68 نقطة في آلية التكييف لـ DeepPrivacy لتحسين الحفاظ على التعبيرات بشكل كبير.
وحدات الاتساق الضوئي: تقديم معالجة لاحقة خفيفة الوزن وغير مرتبطة بنموذج محدد (Intrinsic Decomposition + Laplacian Pyramid + Color Transfer) لاستعادة اتجاه الإضاءة ولون البشرة، مما يعالج الفجوة في أساليب إخفاء الهوية القائمة على GAN.
إطار تقييم شامل: تطوير مقاييس جديدة مخصصة لـ دقة التعبير، واتساق الإضاءة (Si-MSE, Si-L2)، ودقة لون البشرة ( $\Delta E_{2000}$ )، لتكمل المقاييس القياسية مثل FID ومعدلات إعادة التعرف.

4. النتائج التجريبية

تم تقييم الطريقة على مجموعة بيانات CelebA-HQ مقابل ثمانية من أحدث الأساليب المرجعية (بما في ذلك DeepPrivacy، وDeepPrivacy2، وG2Face، وRiDDLE، وAIDPro).

جودة الصورة: حققت درجات FID تنافسية (FID $_{ImageNet}$ : 10.54، FID $_{CLIP}$ : 8.27)، مما جعلها تحتل المركز الثاني كأفضل النتائج إجمالاً، وهو ما يشير إلى واقعية إدراكية عالية.
الخصوصية: نجحت في حجب الهوية، حيث كانت درجات تشابه إعادة التعرف لـ FaceNet قابلة للمقارنة مع الأساليب رفيعة المستوى (على سبيل المثال، 0.2125 مقابل 0.0326 لـ RiDDLE)، مما يوازن بين الخصوصية والفائدة.
الحفاظ على التعبير: حققت أعلى دقة لتصنيف العواطف (75.00%) وثاني أقل خطأ في المعالم، متفوقة بشكل كبير على DeepPrivacy (53.29%) وG2Face (72.00%).
اتساق الإضاءة: حققت أفضل قيمة Si-L2 (0.0100) وأفضل درجات Si-MSE تقريبًا، متفوقة حتى على G2Face (المصمم خصيصًا للهندسة)، مما يثبت التفوق في الحفاظ على التظليل والإضاءة.
لون البشرة: حققت فرق لون إدراكي منخفض ( $\Delta E_{2000} = 8.93$ )، وهو ما يقارب أفضل طريقة أداءً (G2Face عند 7.83) مع الحفاظ على تباين أقل.

دراسة الاستئصال (Ablation Study): أكدت أن المعالم الكثة حسنت دقة التعبير من 53% إلى 72%، بينما قلل التفكيك الجوهري لإعادة الإضاءة من أخطاء الإضاءة بشكل كبير مقارنة بشبكات إعادة الإضاءة المتعلمة (SfSNet).

5. الأهمية والأثر

الفائدة للمهام اللاحقة: من خلال الحفاظ على التعبيرات، والإضاءة، ولون البشرة، تظل البيانات المخفية صالحة لـ الحوسبة العاطفية، وإعادة الإضاءة، والتحليل الطبي، والتعرف القائم على العدالة.
تخفيف التحيز: يساعد الحفاظ على إحصائيات لون البشرة في منع تضخيم التحيزات الديموغرافية التي غالبًا ما تسببها النماذج التوليدية التي تغير ألوان البشرة.
تحول في النموذج: تجادل الورقة بأن إخفاء الهوية الفعال يجب أن يتجاوز مجرد قمع الهوية إلى الحفاظ على الميزات. وهذا يضمن أن مجموعات البيانات التي تحافظ على الخصوصية ليست فقط "آمنة" بل أيضًا صالحة علميًا ومتينة أخلاقيًا للمجالات الحساسة مثل الرعاية الصحية والروبوتات الاجتماعية.
الكفاءة: يتجنب استخدام التفكيك الجوهري ونقل اللون التكلفة الحسابية العالية لتدريب شبكات إعادة الإضاءة المعقدة، مما يجعل خط الإنتاج مناسبًا للتطبيقات في الوقت الفعلي أو واسعة النطاق.