Resumo Técnico: ReGenHuman

Declaração do Problema

A anonimização de dados de vídeo centrados em humanos é um desafio crítico, porém subestudado. As regulamentações de privacidade existentes (ex: HIPAA, GDPR) e a vulnerabilidade de modelos treinados a violações de privacidade (ex: inferência de pertencimento) tornam necessária uma anonimização robusta. No entanto, as técnicas atuais enfrentam um compromisso fundamental:

• Redação/Desfoque (Blurring): Métodos tradicionais (desfoque, pixelização, ocultação por blocos pretos) preservam a consistência temporal, mas destroem a utilidade semântica, tornando os dados inúteis para tarefas subsequentes como reconhecimento de ações ou VQA (Video Question Answering).
• Edição Generativa: Muitas abordagens generativas anteriores editam pixels quadro a quadro ou condicionam-se em imagens originais. Isso leva à incoerência temporal (flickering de identidades), saídas anatomicamente irreais ou garantias de privacidade insuficientes, pois pistas de identidade originais (roupas, marcha, fundo) frequentemente permanecem ou vazam.

O problema central é a falta de um pipeline que alcance simultaneamente Privacidade (irreidentificável), Qualidade (temporalmente consistente e fotorrealista) e Utilidade (preserva o conteúdo semântico para IA downstream).

Metodologia: ReGenHuman

Os autores propõem o ReGenHuman, um paradigma de "regenerar, não editar". Em vez de modificar os pixels originais, o sistema sintetiza regiões humanas inteiramente do zero usando pistas estruturais livres de identidade. O pipeline consiste em três estágios:

1. Extração de Sinal de Condicionamento

De um vídeo de entrada, o sistema extrai quatro componentes anônimos:

• Máscaras de Instância Humana ($M$): Geradas pelo SAM3, definindo a região espacial exata da pessoa.
• Esqueletos de Pose 2D ($P$): Gerados pelo DWPose, capturando o movimento e a postura do sujeito.
• Profundidade Monocular ($D$): Gerada pelo Video Depth Anything, fornecendo geometria e contexto 3D da cena sem revelar texturas ou texto.
• Legenda de Texto ($y$): Uma descrição detalhada da cena gerada por um modelo de visão-linguagem.

2. Construção de Condicionamento Estrutural

Os sinais extraídos são compostos em dois vídeos de condicionamento distintos para guiar a geração:

• StructHuman: Combina o esqueleto da pose com o fundo e objetos originais (pixels não humanos). Isso preserva um contexto de cena rico enquanto anonimiza o humano.
• StructAll: Substitui o fundo pelo mapa de profundidade. Isso resulta em um quadro totalmente anonimizado onde nenhum pixel original permanece, preservando apenas a geometria e a pose.
• Garantia de Privacidade: Em ambos os casos, a região humana é obscurecida (grayed out) antes da sobreposição da pose. Crucialmente, o condicionamento $c_t$ depende apenas da pose $P_t$ dentro da máscara humana, não dos pixels do vídeo original $x_t$. Isso fornece uma garantia de privacidade arquitetônica: nenhum aspecto de aparência humana original pode fluir para a saída.

3. Ajuste Fino de Difusão Vídeo-para-Vídeo

O sistema utiliza o VACE (Video Anytime Controllable Editing), uma extensão do modelo de difusão de vídeo Wan.

• Arquitetura: O modelo usa uma Unidade de Condicionamento de Vídeo (VCU) para injetar sinais estruturais (profundidade, pose, máscara) juntamente com prompts de texto.
• Estratégia de Treinamento: O backbone DiT pré-treinado e os Blocos de Contexto são congelados. Apenas adaptadores LoRA (Low-Rank Adaptation) são ajustados no dataset HOIGen-1M (um corpus de mais de 1 milhão de vídeos de interação humano-objeto).
• Inferência: O modelo gera o vídeo anonimizado ao realizar a difusão de uma representação latente condicionada nas sobreposições estruturais e na legenda de texto, garantindo coerência temporal e realismo anatômico sem nunca "ver" os pixels humanos originais.

Principais Contribuições

1. Primeiro Pipeline Realista e Temporalmente Consistente: O ReGenHuman é o primeiro método a gerar anonimizações de vídeo de corpo inteiro que são tanto fotorrealistas quanto temporalmente estáveis, evitando o efeito de cintilação (flickering) e erros anatômicos de métodos generativos anteriores.
2. Paradigma "Regenerar, Não Editar": O artigo introduz uma nova abordagem onde a região humana é sintetizada a partir de entradas estruturais livres de identidade. Isso desloca a garantia de privacidade da obscuridade estatística para o design arquitetônico, garantindo que os pixels originais não possam alcançar a saída.
3. Avaliação Unificada de Três Eixos: Os autores estabelecem um protocolo de avaliação abrangente medindo Privacidade (similaridade de identidade/texto, re-ID de troca de roupas), Qualidade (métricas VBench, realismo, anatomia) e Utilidade (VQA de vídeo zero-shot).

Resultados Experimentais

Avaliado no dataset HOIGen-1M e em filmagens clínicas (MedVideoCap-55K), o ReGenHuman supera os baselines atuais (incluindo DeepPrivacy2, FADM e métodos de redação clássicos) em todos os três eixos:

• Privacidade: O ReGenHuman reduz a reidentificação corporal (usando CSCI-V no CCVID) para níveis próximos ao acaso (mAP ~2,5%), superando significativamente até mesmo métodos de "blackout". É o único método a anonimizar efetivamente pistas de texto e de fundo simultaneamente.
• Qualidade: O método alcança pontuações de estado da arte em Consistência de Sujeito, Anatomia Humana e Realismo. Ao contrário de geradores quadro a quadro, ele mantém a suavidade temporal e a consistência geométrica.
• Utilidade: Em tarefas de Video Question Answering (VQA) zero-shot, o ReGenHuman mantém alta precisão (apenas ~4-5% de degradação em relação ao vídeo original), enquanto métodos de redação clássicos sofrem quedas massivas (>12%). Notavelmente, o modelo generaliza para ambientes clínicos sem re-treinamento, demonstrando robustez em domínios de alto risco.

Significância e Alegações

O artigo afirma que o ReGenHuman estabelece um novo padrão para anonimização de vídeo ao resolver o antigo compromisso entre privacidade e utilidade. Ao regenerar humanos a partir de pistas estruturais, o método permite a liberação em larga escala de dados sensíveis centrados em humanos (ex: em hospitais, salas de aula e vigilância) que antes eram inutilizáveis devido a preocupações de privacidade.

Os autores enfatizam que sua garantia de privacidade arquitetônica torna o processo de anonimização auditável; profissionais de privacidade podem verificar que as entradas de condicionamento não contêm informações privadas, garantindo que a saída esteja livre de vazamento de identidade. Embora os autores reconheçam limitações quanto à velocidade de geração (não em tempo real) e potenciais riscos de reidentificação baseados em pose, eles postulam que este trabalho fornece uma linha de base fundamental para pesquisas futuras em anonimização de vídeo baseada em difusão e compartilhamento ético de dados.