Generative Anonymization in Event Streams

Titolo: Anonimizzazione Generativa nei Flussi di Eventi

Autori: Adam T. Müller, Mihai Kocsis, Nicolaj C. Stache (Heilbronn University of Applied Sciences, Germania)

---

1. Il Problema

I sensori di visione neuromorfica (telecamere a eventi) offrono vantaggi significativi come bassa latenza, alto intervallo dinamico e basso consumo energetico, rendendoli ideali per applicazioni come la guida autonoma e la sorveglianza. Tuttavia, il loro utilizzo in spazi pubblici solleva gravi preoccupazioni sulla protezione dei dati.

• Vulnerabilità della Privacy: Sebbene i flussi di eventi grezzi codifichino solo i cambiamenti di luminosità e non contengano informazioni di intensità assoluta, recenti modelli di ricostruzione da Evento a Video (E2V) sono in grado di generare immagini di intensità ad alta fedeltà. Questo permette di recuperare involontariamente identità biometriche (volti) dai dati grezzi, esponendo i soggetti a rischi di identificazione.
• Limiti delle Soluzioni Attuali: I metodi di offuscamento esistenti (es. mascheramento, scrambling spaziale, iniezione di rumore) corrompono la struttura spaziotemporale dei dati. Questo crea un compromesso negativo tra utilità e privacy: i dati anonimizzati diventano inutilizzabili per compiti di percezione a valle (come il riconoscimento delle espressioni facciali o il tracciamento denso) perché la loro integrità strutturale è stata distrutta.

2. Metodologia

Il paper propone il primo framework di anonimizzazione generativa per flussi di eventi, progettato per preservare l'utilità dei dati sostituendo l'identità reale con una sintetica e non esistente, mantenendo intatta la struttura semantica e spaziotemporale.

Il pipeline proposto opera attraverso i seguenti passaggi chiave:

1. Traduzione nel Dominio delle Intensità (E2V):
   • Il flusso di eventi asincrono e sparso ($E$) viene convertito in un set di frame di intensità sincronizzati utilizzando il framework di valutazione EVREAL. Questo colma il divario tra i dati neuromorfici e i modelli generativi standard basati su immagini.
2. Anonimizzazione Generativa nel Dominio delle Immagini:
   • Viene rilevato il volto nel frame intermedio.
   • Viene utilizzata una pipeline di face-swapping (basata su INSwapper e Stable Diffusion 2) per generare un'identità sintetica realistica che sostituisce quella originale, preservando pose, sguardo e contesto semantico.
   • L'output viene upsampled e raffinato (CLAHE, unsharp masking) per migliorare la qualità prima della riconversione.
3. Riproiezione nello Spazio degli Eventi (V2E):
   • I frame anonimizzati vengono riconvertiti in un flusso di eventi sintetico utilizzando il modello v2e.
4. Fusione Spaziotemporale Avanzata:
   • Interpolazione Temporale: Le bounding box del volto vengono interpolate linearmente nel tempo per coprire la risoluzione microsecondica degli eventi.
   • Feathering Stocastico: Per evitare confini artificiali netti tra il volto sintetico e lo sfondo originale, viene applicato un meccanismo di "feathering" spaziale. Gli eventi vicino al bordo della regione di interesse (ROI) vengono mantenuti con una probabilità che decresce secondo una distribuzione semi-Gaussiana.
   • Compositing: Il flusso di eventi del volto sintetico viene allineato e fuso con il flusso di sfondo originale, preservando la coerenza temporale e spaziale.

3. Contributi Chiave

1. Primo Framework Generativo per Eventi: Introduzione di un pipeline che trasporta i principi dell'anonimizzazione generativa (tipici delle immagini RGB) nel dominio neuromorfico, risolvendo il trade-off utilità-privacy.
2. Preservazione dell'Integrità Strutturale: Dimostrazione che è possibile sostituire le identità biometriche senza distruggere le informazioni spaziotemporali necessarie per compiti di visione artificiale a valle.
3. Nuovo Dataset Sincronizzato: Creazione e rilascio di un dataset reale e sincronizzato (Event-RGB) catturato tramite un robot collaborativo (cobot). Questo elimina la variabilità del movimento umano e garantisce un egomotion preciso, fornendo un benchmark robusto per la ricerca futura.
4. Nuove Metriche di Valutazione: Introduzione di metriche specifiche per il dominio degli eventi, come la Spatiotemporal Chamfer Distance (STCD) e l'Event Mover's Distance (EMD), per valutare la fedeltà strutturale dei flussi anonimizzati.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su un dataset reale e valutati sia qualitativamente che quantitativamente:

• Efficacia dell'Anonimizzazione:
  • La similarità dell'identità (misurata con ArcFace) crolla da un baseline di 0.713 a 0.118 dopo l'anonimizzazione, confermando che l'identità originale non è recuperabile.
  • Le metriche strutturali (STCD ed EMD) mostrano un aumento significativo della distanza tra i dati originali e quelli anonimizzati, indicando un cambiamento globale nella distribuzione e nella struttura facciale.
• Preservazione dell'Utilità (Downstream Tasks):
  • Stabilità Temporale: Rimane invariata (0.760 vs 0.770), garantendo che l'identità sintetica sia coerente nel tempo.
  • Pose ed Espressioni: L'errore di pose è minimo (3.304°) e l'errore di mimica facciale (0.181) è inferiore alla varianza naturale intra-soggetto (0.239), dimostrando che le espressioni sono preservate fedelmente.
  • Rilevamento: I modelli di rilevamento (YOLOv8 per immagini e detector specifici per eventi) non subiscono degradazione. L'IoU (Intersection over Union) rimane alto (0.960 nello spazio delle intensità, 0.702 nello spazio degli eventi), confermando che la struttura macroscopica è intatta.
• Limitazioni Rilevate:
  • Il metodo dipende da una conversione intermedia (Event-to-Video-to-Event), che può introdurre artefatti di discretizzazione e "sfumature" (smearing) nelle zone di transizione.
  • Le micro-espressioni sottili possono talvolta essere perse a causa delle limitazioni dei modelli di face-swapping attuali.

5. Significato e Impatto

Questo lavoro rappresenta un passo fondamentale verso l'adozione sicura delle telecamere neuromorfiche in ambienti pubblici e sensibili.

• Paradigma Shift: Sposta l'approccio alla privacy da metodi distruttivi (che rovinano i dati) a metodi generativi (che preservano i dati).
• Sicurezza e Utilità: Permette di utilizzare i dati degli eventi per compiti critici (come il monitoraggio del traffico o la sicurezza) senza violare la privacy degli individui, rendendo i dati "pronti per l'uso" anche dopo l'anonimizzazione.
• Fondazione per la Ricerca: Il nuovo dataset e le metriche proposte forniscono le basi necessarie per lo sviluppo di futuri modelli di generazione nativa nel dominio degli eventi, superando la necessità di conversioni intermedie.

In sintesi, il paper dimostra che è possibile proteggere l'identità biometrica nei flussi di eventi mantenendo intatta la ricchezza dei dati necessaria per l'intelligenza artificiale, risolvendo una delle principali barriere all'adozione di questa tecnologia.