Secure and reversible face anonymization with diffusion models

यहाँ शोध पत्र "Secure and Reversible Face Anonymization with Diffusion Models" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

कंप्यूटर विज़न अनुप्रयोगों (जैसे CCTV, निगरानी) में इमेज की उपयोगिता बनाए रखते हुए गोपनीयता की सुरक्षा के लिए चेहरा अनामिकीकरण (Face Anonymization) अत्यंत महत्वपूर्ण है। मौजूदा विधियाँ एक त्रिशंकु (trilemma) का सामना करती हैं:

• पारंपरिक विधियाँ (ब्लरिंग, एन्क्रिप्शन) या तो कमजोर गोपनीयता प्रदान करती हैं या छवियों को अनुपयोगी बना देती हैं।
• GAN-आधारित प्रतिवर्ती विधियाँ (जैसे RiDDLE, G2Face, iFADIT) एक गुप्त कुंजी (secret key) का उपयोग करके मूल चेहरे की अधिकृत रिकवरी की अनुमति देती हैं, लेकिन वे मोड कोलैप्स (कम विविधता) से ग्रस्त हैं और अक्सर अतिरिक्त डेटा (जैसे लेटेंट कोड) को संग्रहीत करने की आवश्यकता होती है या अनधिकृत पहुंच के विरुद्ध मजबूत क्रिप्टोग्राफिक बाधाओं का अभाव होता है।
• डिफ्यूजन मॉडल (DM) दृष्टिकोण उच्च गुणवत्ता वाली, विविध छवियां उत्पन्न करते हैं लेकिन वर्तमान में उनमें सुरक्षित, कुंजी-नियंत्रित प्रतिवर्तीता (reversible) के तंत्र की कमी है। मौजूदा DM अनामिकीकरण विधियाँ या तो अपरिवर्तनीय हैं या केवल तभी प्रतिवर्ती हैं जब मूल इमेज एम्बेडिंग को सुरक्षित रखा जाता है, जो महत्वपूर्ण सुरक्षा कमजोरियां पैदा करता है।

लक्ष्य: एक ऐसा फ्रेमवर्क विकसित करना जो उच्च-गुणवत्ता वाला, विविध चेहरा अनामिकीकरण प्राप्त करे, अधिकृत पक्षों को एक गुप्त कुंजी का उपयोग करके सटीक पहचान रिकवरी की अनुमति दे, और यह सुनिश्चित करे कि अनधिकृत प्रयास (गलत कुंजियाँ) पूरी तरह से विफल हो जाएं।

2. कार्यप्रणाली (Methodology)

लेखक सीक्रेट-की कंडीशनिंग का उपयोग करके सुरक्षित, प्रतिवर्ती चेहरा अनामिकीकरण के लिए पहले डिफ्यूजन-आधारित फ्रेमवर्क का प्रस्ताव करते हैं। यह विधि बिना किसी पुन: प्रशिक्षण (retraining) की आवश्यकता के एक पूर्व-प्रशिक्षित अनकंडीशनल डिफ्यूजन मॉडल (Stable Diffusion) का लाभ उठाती है।

मुख्य घटक:

1. नियत डिफ्यूजन प्रक्रिया (Deterministic Diffusion Process - DDIM):

   • यह विधि यह सुनिश्चित करने के लिए डिनोइजिंग डिफ्यूजन इम्पलिसिट मॉडल (DDIM) का उपयोग करती है कि फॉरवर्ड (नोइज़िंग) और बैकवर्ड (डिनोइजिंग) प्रक्रियाएं नियत (deterministic) हों।
   • यह गारंटी देता है कि समान इनपुट छवि $x_0$ हमेशा सटीक समान गॉसियन रियलाइजेशन $x_T$ (या लेटेंट $z_T$) में मैप होती है, और इसके विपरीत भी, जिससे सटीक प्रतिवर्तीता संभव होती है।

2. गॉसियन गुण के माध्यम से सीक्रेट-की कंडीशनिंग:

   • तंत्र: यह विधि इस गुण का लाभ उठाती है कि यदि $\epsilon \sim \mathcal{N}(0, I)$ है, तो $r \odot \epsilon$ भी एक मानक गॉसियन वितरण है, जहाँ $r$ एक $\{-1, +1\}$ का वेक्टर है।
   • कुंजी निर्माण: एक गुप्त कुंजी $K$ को एक स्यूडो-रैंडम नंबर जेनरेटर (PRNG) में फीड किया जाता है ताकि एक बाइनरी अनुक्रम बनाया जा सके, जिसे रेडेमेकर वेक्टर $r \in \{-1, +1\}^d$ में परिवर्तित किया जाता है।
   • अनामिकीकरण: अंतिम टाइमस्टेप ($z_T$) पर चेहरे का लेटेंट प्रतिनिधित्व मास्क किए गए क्षेत्रों (चेहरे के क्षेत्र) में तत्व-वार (element-wise) $r$ द्वारा गुणा किया जाता है।
     $$z_{ano}^T = M_z \odot (r \odot z_T) + (1 - M_z) \odot z_T$$
     जहाँ $M_z$ एक फेशियल मास्क है जो पहचान-अप्रासंगिक विशेषताओं (बैकग्राउंड, बाल) को सुरक्षित रखता है।
   • प्रतिवर्तीता (Reversibility): चेहरे को पुनः प्राप्त करने के लिए, अधिकृत पक्ष उसी वेक्टर $r$ को फिर से लागू करता है। चूंकि $r \odot r = 1$ है, इसलिए मूल $z_T$ को पूरी तरह से बहाल कर दिया जाता है।
   • सुरक्षा: यदि कोई हमलावर गलत कुंजी $K'$ का उपयोग करता है, तो वह एक अलग वेक्टर $r'$ उत्पन्न करता है। परिणामी $z_{wrong}^T = z_{ano}^T \odot r'$ एक अलग वैध गॉसियन सैंपल होता है। डिनोइजिंग के बाद, यह एक यथार्थवादी लेकिन पूरी तरह से अलग चेहरा उत्पन्न करता है, जिससे हमलावर को यह पता नहीं चल पाता कि वह मूल पहचान को रिकवर करने में सफल रहा या विफल।

3. पाइपलाइन:

   • फॉरवर्ड: मूल चेहरा $\to$ SD एनकोडर $\to$ लेटेंट $z_0$ $\to$ Deterministic DDIM Forward $\to$ Gaussian $z_T$।
   • संशोधन: $z_T$ पर सीक्रेट-की से प्राप्त साइन-फ्लिप (sign-flip) लागू करें (केवल मास्क किए गए क्षेत्रों में)।
   • बैकवर्ड: संशोधित $z_{ano}^T$ $\to$ Deterministic DDIM Backward (प्रत्येक चरण में गैर-चेहरा विशेषताओं को पुनः इंजेक्ट करना) $\to$ अनामिक चेहरा $x_{ano}$।
   • डी-अनामिकीकरण (De-anonymization): सही कुंजी $K$ का उपयोग करके प्रक्रिया को उल्टा करें।

3. मुख्य योगदान (Key Contributions)

• प्रथम कुंजी-निर्देशित डिफ्यूजन फ्रेमवर्क: सुरक्षित, प्रतिवर्ती चेहरा अनामिकीकरण के लिए डिफ्यूजन मॉडल्स में सीक्रेट-की कंडीशनिंग को एकीकृत करने वाला पहला तरीका।
• कोई मॉडल पुन: प्रशिक्षण नहीं: यह दृष्टिकोण पूर्व-प्रशिक्षित अनकंडीशनल डिफ्यूजन मॉडल्स (Stable Diffusion) के साथ काम करता है, जिससे नए जनरेटिव मॉडल्स को प्रशिक्षित करने की कम्प्यूटेशनल लागत और अस्थिरता से बचा जा सकता है।
• क्रिप्टोग्राफिक सुरक्षा: पिछली GAN विधियों के विपरीत जो जानकारी लीक कर सकती हैं या अतिरिक्त डेटा स्टोरेज की आवश्यकता होती है, यह विधि गॉसियन वितरणों के गणितीय गुणों पर निर्भर करती है। कुंजी में एक एकल-बिट त्रुटि भी पहचान रिकवरी को पूरी तरह विफल कर देती है।
• उच्च निष्ठा और विविधता (High Fidelity & Diversity): डिफ्यूजन मॉडल्स का लाभ उठाकर, यह विधि अत्यधिक यथार्थवादी और विविध अनामिक चेहरे उत्पन्न करती है, जिससे GAN की "मोड कोलैप्स" समस्याओं पर विजय मिलती है।

4. प्रयोगात्मक परिणाम (Experimental Results)

इस पद्धति का मूल्यांकन CelebA-HQ और LFW डेटासेट्स पर किया गया, जिसमें अत्याधुनिक GAN-आधारित विधियों (RiDDLE, G2Face, iFADIT) के साथ तुलना की गई।

• अनामिकीकरण प्रदर्शन:
  • तुलना की गई विधियों में सबसे कम कॉसिनस सिमिलैरिटी (उच्च पहचान अस्पष्टता का संकेत) और सबसे कम ट्रू एक्सेप्टेंस रेट (TAR) प्राप्त किया।
  • दृश्य रूप से, उत्पन्न चेहरे यथार्थवादी हैं, जो पहचान को बदलते हुए बैकग्राउंड, पोज़ और बालों को सुरक्षित रखते हैं।
• डी-अनामिकीकरण (रिकवरी) प्रदर्शन:
  • स्टेट-ऑफ-द-आर्ट रिकवरी दर (LFW पर ArcFace/AdaFace के साथ FAR=0.1% तक ~70-79% तक) प्राप्त की, जो RiDDLE (जिसे अतिरिक्त डेटा की आवश्यकता होती है) और G2Face के बराबर या उससे बेहतर है।
  • मूल पहचान को उच्च निष्ठा के साथ सफलतापूर्वक रिकवर किया।
• हमलों के प्रति मजबूती:
  • सही कुंजी: उच्च रिकवरी सफलता।
  • गलत कुंजी (सिंगल-बिट या रैंडम): ट्रू एक्सेप्टेंस रेट गिरकर लगभग 0% हो गया। सिस्टम ने यथार्थवादी लेकिन गलत चेहरे उत्पन्न किए, जिससे हमलावर यह निर्धारित नहीं कर सका कि कुंजी गलत थी या रिकवरी सफल हुई थी।
  • तुलना: पाया गया कि G2Face दुर्भावनापूर्ण डी-अनामिकीकरण के प्रति असुरक्षित था, जबकि प्रस्तावित विधि सुरक्षित रही।

5. महत्व (Significance)

यह कार्य जेनरेटिव AI की गुणवत्ता और क्रिप्टोग्राफिक सुरक्षा के बीच के महत्वपूर्ण अंतर को पाटता है।

• व्यावहारिक प्रयोज्यता: यह चेहरे के अनामिकीकरण को वास्तविक दुनिया के परिदृश्यों (जैसे कानून प्रवर्तन, सार्वजनिक निगरानी) में तैनात करने में सक्षम बनाता है जहाँ डेटा को सुरक्षित रूप से साझा किया जाना चाहिए लेकिन अनधिकृत अभिनेताओं के विरुद्ध गोपनीयता से समझौता किए बिना अधिकृत संस्थाओं (जैसे जांचकर्ताओं) द्वारा रिकवर किया जा सकना चाहिए।
• पैराडाइम शिफ्ट: यह क्षेत्र को गोपनीयता-संरक्षण कार्यों के लिए GANs से हटाकर डिफ्यूजन मॉडल्स की ओर ले जाता है, यह सिद्ध करता है कि फोरेंसिक अनुप्रयोगों के लिए आवश्यक प्रतिवर्तीता से समझौता किए बिना DMs को गुप्त कुंजियों के माध्यम से नियंत्रित किया जा सकता है।
• सुरक्षा गारंटी: रिकवरी की "ऑल-ऑर-नथिंग" प्रकृति (सही कुंजी = पूर्ण रिकवरी; गलत कुंजी = रैंडम यथार्थवादी चेहरा) एक मजबूत सुरक्षा गारंटी प्रदान करती है जो पिछले प्रतिवर्ती तरीकों में नहीं थी।