FlowID : Enhancing Forensic Identification with Latent Flow-Matching Models

1. O Problema

Em contextos forenses e humanitários (como mortes violentas, guerras, migração e desastres climáticos), a identificação de corpos depende frequentemente do reconhecimento visual por familiares. No entanto, fotografias de vítimas com traumas faciais graves, hemorragias ou decomposição são frequentemente inapropriadas para exibição direta, causando sofrimento psicológico e falhando no reconhecimento devido à distorção das características faciais.

As ferramentas de edição de imagem tradicionais são:

• Laboriosas: Requerem intervenção manual extensiva.
• Ineficazes em casos graves: Falham em reconstruir traumas estruturais severos.
• Subótimas: Produzem resultados que não preservam fielmente a identidade da vítima.

Existe uma necessidade urgente de ferramentas semi-automáticas que removam artefatos de morte violenta enquanto preservam as características críticas de identidade (como formato do nariz, olhos, cicatrizes, tatuagens) para facilitar o reconhecimento por familiares, sem comprometer a privacidade dos dados (processamento local).

2. Metodologia: FlowID

O FlowID é um método de reconstrução facial que utiliza modelos de correspondência de fluxo latente (Latent Flow-Matching) para edição de imagem. A abordagem combina duas técnicas principais para equilibrar a editabilidade e a fidelidade da identidade:

A. Ajuste Fino de Imagem Única (Single-Image Fine-Tuning)

• Desafio: Métodos baseados em inversão (inversion) de modelos generativos frequentemente acumulam erros ao tentar reconstruir imagens fora da distribuição de treinamento (como rostos feridos), levando à perda de informações de identidade.
• Solução: O FlowID realiza um ajuste fino (fine-tuning) do modelo generativo pré-treinado (Stable Diffusion 3) especificamente na imagem de entrada e no prompt de descrição da vítima.
• Objetivo: Ajustar o modelo para que a imagem fornecida seja uma amostra mais provável sob o prompt de condição, melhorando a qualidade da inversão e recuperando a estrutura global e atributos de identidade (como barba, pose da cabeça) antes da edição.

B. Edição Localizada com Máscaras Inferidas (Localized Editing with Inferred Masks)

• Desafio: A geração pura pode alterar acidentalmente detalhes secundários mas cruciais para a identificação, como tatuagens, joias ou cicatrizes antigas, ou distorcer áreas não danificadas.
• Solução: O método utiliza os mapas de atenção (attention maps) do próprio modelo generativo para inferir automaticamente uma máscara binária.
  • O modelo analisa a interação entre os tokens de texto (conceitos a serem editados/removidos) e os tokens de imagem.
  • Uma máscara é gerada para delimitar estritamente as regiões danificadas que devem ser editadas.
  • Durante o processo de geração reversa, as regiões fora da máscara são forçadas a permanecer idênticas à imagem de referência (reconstrução exata), preservando detalhes finos.

3. Principais Contribuições

1. FlowID (Algoritmo): Um framework de edição facial que supera os métodos open-source atuais, mantendo requisitos de memória baixos para permitir implantação local (crucial para privacidade forense).
2. InjuredFaces (Benchmark): A criação do primeiro conjunto de dados e protocolo de avaliação padronizado para reconstrução facial sob danos severos.
   • Contém 755 retratos faciais feridos de atletas profissionais (449 identidades distintas) e 5.213 retratos de referência não feridos.
   • Introduz métricas específicas para avaliar preservação de identidade, remoção de lesões, fidelidade da edição e qualidade visual.
3. Validação Operacional: O algoritmo já foi implantado em locais na América do Sul (México e Colômbia), auxiliando na identificação de migrantes falecidos e outros casos forenses.

4. Resultados Experimentais

Os resultados foram avaliados no benchmark InjuredFaces e no conjunto de dados FFHQ (para edição facial geral).

• Preservação de Identidade: O FlowID obteve a pontuação mais alta (0.50 no InjuredFaces e 0.77 no FFHQ) entre todos os métodos comparados (incluindo UltraEdit, SDEdit, ICEdit, Kontext e RF-Solver). Isso indica uma retenção superior das características faciais críticas.
• Remoção de Lesões: O método alcançou a melhor pontuação na métrica baseada em VLM (Vision-Language Model) para remoção de lesões (0.14), demonstrando eficácia em eliminar artefatos de morte violenta.
• Qualidade Visual: O FlowID manteve pontuações competitivas em FID e CMMD, indicando alta realismo e consistência distribucional.
• Comparação com SOTA:
  • Métodos baseados em inversão pura (como SDEdit) falharam na preservação de identidade.
  • Métodos baseados em treinamento pesado (como Kontext e RF-Solver) removeram lesões, mas causaram "drift" (desvio) na identidade global e alteraram detalhes como tatuagens.
  • O FlowID conseguiu remover lesões graves sem deformar a identidade ou detalhes secundários.

Estudo de Ablação:

• Sem o ajuste fino, a preservação de identidade caiu drasticamente (de 0.77 para 0.52).
• Sem a máscara, a qualidade perceptual piorou (aumento de FID e LPIPS) e detalhes como tatuagens foram alterados indevidamente.

5. Significado e Impacto

• Humanitário e Forense: O trabalho oferece uma solução prática para um problema crítico: acelerar a identificação de vítimas de desastres e violência, reduzindo o tempo de espera para as famílias e diminuindo o trauma psicológico ao evitar a exibição de imagens gráficas.
• Privacidade: Ao ser projetado para rodar em hardware de consumo (localmente), o FlowID resolve o dilema de privacidade, evitando o envio de dados sensíveis de vítimas para servidores na nuvem.
• Padronização Científica: A introdução do InjuredFaces estabelece um padrão para a comunidade de pesquisa avaliar métodos de reconstrução em condições extremas, focando na preservação de identidade em vez de apenas realismo estético.
• Limitações e Futuro: O método ainda requer ajuste fino por imagem (custo computacional), que pode ser otimizado no futuro com técnicas como LoRA. Além disso, a máscara pode ser menos eficaz se o dano cobrir todo o rosto.

Em resumo, o FlowID representa um avanço significativo na interseção entre IA generativa e ciência forense, transformando a reconstrução facial de uma tarefa artística manual em um processo técnico automatizado, focado na dignidade e na identificação humana.